近年来,随着智能化养殖业的兴起和国家对食品安全管理的不断加强,对动物进行准确的身份识别己成为行业内迫切需要解决的问题。目前,动物身份识别的主要方式是穿孔佩戴无线射频识别标签,这种侵入式的识别方式很容易引起动物的不适,咬标、掉标的情况经常发生。面部识别作为生物识别技术的一种,迁移应用于动物身份确认具有安全、便捷、非侵入等显著优点。传统的面部识别方法依靠手工提取面部图像特征,需要大量领域经验,性能不稳定。深度学习作为目前面部识别领域最重要的技术手段,能够自动提取图像的高维抽象特征,大大提高了算法的精度和鲁棒性。本文基于深度学习相关理论对猪面部识别技术进行了相关研究并进行了以下工作。(1)训练数据采集,目前,面部识别领域尚无动物面部的公开数据集。本文在商业农场中采集了两百头猪的面部数据用于制作猪脸数据集,数据集共包含50000张图像,其中包含母猪、保育猪和肥猪,3类猪的分布比例大致相同,并对数据集进行了面部区域和特征点标注。(2)针对面部检测与校正问题,提出了一种基于改进的多任务级联卷积神经网络的猪脸检测与校正方法,该方法通过三级网络逐级对图像中的面部区域和关键点进行检测和筛选,并利用面部关键点之间的位置关系进行面部校正。实验结果表明,改进网络能够精准定位图像中的猪脸区域和面部关键点,并根据左右眼之间的位置关系利用仿射变换进行猪脸的旋转校正。(3)针对猪脸识别粒度精细、视觉差异性小等问题,提出了一种基于双线性卷积神经网络的改进模型,模型利用两条VGG-16提取不同粒度的猪脸特征,并将网络中不同层次的提取特征做外积融合。实验结果表明,改进网络能够提取到粒度更加精细的猪脸特征并将不同语义特征之间位置关系进行锁定,对不同尺度、姿态、光照的猪脸样本都取得了较好的识别效果。(4)在嵌入式平台Jetson TX1上对模型进行了部署,并对模型的检测和识识别性能在自采数据集和爬取的多种场景数据集上进行了测试。测试结果表明模型能够以较快的速度对不同光照、姿态的猪脸进行离线识别,识别精度达到了 95.73%。