智能化在我国畜牧生产中已初露端倪。在观察和记录奶牛行为信息方面,可穿戴智能化设备扮演着举足轻重的作用,例如利用智能项圈监测奶牛的采食时间、反刍时间,利用计步器监测奶牛活动量、行为轨迹等。目前,智能化设备提供的实用决策支持功能较为单一,而疾病诊断预测和采食量监测是奶牛生产管理中重要组成部分。传统预测方法利用项圈对反刍行为的监测,从而对奶牛生产活动进行管控,然而,该方法用作预测采食量和疾病的精度较低,不能满足实际需求。为解决单一表征信息预测生理变化精确度不足的问题,多维度信息建模受到了越来越多的关注,多维度信息增加了信息的复杂性和信息量,最大化提升了模型的输出精准度。随着大数据时代的到来和牧场传感器技术的成熟,牧场中不同维度信息不断涌现,例如管理记录、行为活动、生产性能等不同维度信息,这些信息的获取为本研究提供了数据基础。同时,机器学习（Machine learning,ML）建模技术的发展,为利用牧场大数据研究奶牛行为的监测和模型提供了新的技术手段。因此,本研究采用牧场中项圈等智能化设备采集数据信息,融合奶牛多维度特征,利用ML算法,建立采食量和疾病预测分类模型,以提高牧场的智能化管理水平,实现对奶牛健康和营养的精准监控。试验一:奶牛个体采食量预测模型的建立和评估试验选取16头18月龄的青年牛（461±50kg）,随机分为2组,试验组（n=8）和验证组（n=8）。按照精粗比0:10-7:3设立8组日粮,采用8*8拉丁方试验设计饲喂试验组和验证组奶牛。每组日粮的适应期为7天,试验期为7天。利用奶牛采食量监测系统采集试验期间每头奶牛的日采食量,利用智能项圈监测奶牛每日采食时间（Feeding time,FT）和反刍时间（Rumination time,RT）,并结合日粮成分作为输入变量,建立五种不同的采食量预测模型:线性回归模型（Linear regression model,LRM）、人工神经网络（Artificial neural network,ANN）、支持向量机（Support vector machine,SVM）、K-最近邻（K-nearest neighbors,KNN）和决策树（Decision tree,DT）CHAID算法,评估模型的预测性能和预测变量的重要性。结果表明,LRM的R~2为0.73,其余4个模型的R~2≥0.82,说明采食量与预测因子的关系可能不是简单的线性关系。5个模型均方根误差（RMSEs）≤1.5 kg/d,SDs≤0.87,经外部验证,5个模型R~2值≥0.80,RMSEs≤0.75,SDs≤0.90。添加日粮成分后5种模型的精度均有不同程度的提高,其中,NDF表现出了更高的重要性。研究表明,基于ML算法的个体采食量模型具有一定的可行性,同时,在智能项圈收集的的数据中加入日粮成分可以有效提高预测模型的准确性。试验二:奶牛疾病预测模型的建立和评估本试验将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估DT C5.0、CHAID算法,ANN,随机森林（Random forests,RF）,贝叶斯网络（Bayesian networks,BN）和逻辑回归（Logistic regression,LR）6种ML算法的性能,评估将胎次和泌乳天数纳入预测变量中,模型性能的改善情况。试验选取2020年12月至2021年11月期间,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量的重要性。结果表明,DT C5.0算法敏感性大于85%,特异性大于90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、CHAID则对样本量较多的疾病预测性能较好,可达74.4%;LR对病牛正确识别率不足40.0%,大多识别为健康牛。产奶量和泌乳天数分别为3种模型最重要的预测变量;添加胎次和泌乳天数后,模型预测的敏感性显著提高。ML算法在对奶牛疾病的预测方面表现出了潜力,其中,DT C5.O更适合用于预测奶牛疾病。产奶量和泌乳天数为疾病预测模型中相对重要的变量,此外,将胎次和泌乳天数纳入预测变量,可提高模型预测的精度。综上所述,本研究得出以下结论:（1）奶牛个体采食量与行为信息和日粮成分并非简单的线性关系,利用ML算法的个体采食量模型具有一定的可行性,同时在行为信息中加入日粮成分可以有效提高预测模型的准确性。（2）ML算法在对奶牛疾病的预测方面表现出了潜力。产奶量和泌乳天数为疾病预测模型中相对重要的变量,此外,将胎次和泌乳天数纳入预测变量,可提高模型预测的精度。