目前,我国畜牧业呈现出智能化、精准化、规模化发展趋势,尤其是牛只这种牲畜,它本身就有很高的单体经济价值,更有必要将传统牧场升级改造为智慧牧场,可以实时对养殖环境和牛只个体生长数据进行监测,采用智能控制、精准管理,实现牧场养殖高效率、降低养殖风险的同时,优化牛只的个体成长。但当前对于牲畜个体识别的研究仍存在一些问题:人工观测法工作效率较低、劳动力强度过大;刻耳法产生的应急挣扎会使牛只的生长受损;电子耳标法的成本相对较高,不能满足大规模牧场的需求。同时由于图像识别领域的图像细粒度识别任务因其子类多样性少,差异特征不明显,识别过程中存在很大的挑战,在未来有很大的研究空间。针对以上问题,本文利用计算机视觉领域中的非接触式的图像识别方式,以晋南牛为主要研究对象,提出了一种基于互学习与注意力机制的晋南牛个体细粒度识别的方法,为了有效提升识别准确率,本文主要研究工作如下:（1）通过实地采集的数据,构建一个关于晋南牛个体数据集,包含227头个体牛只数据量相当,共包含37011张图像。将数据集按7:3比例划分,其中,用于训练集26152张,测试集10859张。（2）基于卷积神经网络的晋南牛个体细粒度识别的研究,选择特征提取网络Res Net、Efficient Net进行训练。Efficient Net-B1的识别准确率最高,可以达到97.59%。（3）基于互学习的晋南牛个体细粒度识别的研究,从相同结构相同深度、相同结构不同深度、不同结构的三个维度的互学习模型进行了对比实验。相同结构的网络参与互学习,准确率可以提升0.33%至1.09%,准确率最高可以达到97.85%。在为了进一步验证互学习模型的有效性和泛化能力,本文还选取了牛只品种数据集和不同种类动物数据集进行了实验,在牛只品种数据集上准确率可以提升0.66%至3.22%,在不同种类动物数据集上,准确率可以提升6.01%至9.25%,进一步验证了互学习模型的有效性。（4）基于注意力机制的晋南牛个体细粒度识别的研究,本文使用了三种注意力方法,BAM、CBAM、Triplet Attention注意力机制。引入三种注意力机制后模型的识别准确率最高可以达到97.23%。（5）提出了基于互学习与注意力机制的晋南牛个体细粒度识别的研究。将BAM、CBAM、Triplet Attention注意力机制加入互学习网络进行联合训练,互学习与CBAM表现最好,准确率最高可以达到97.98%。本文的创新点是提出了基于互学习与注意力机制的研究方法,模型之间可以相互学习,参考同伴网络的学习经验,同时引入注意力机制来增强或抑制原始特征图的局部描述。通过该方法在晋南牛个体数据集上进行训练与测试,与单个网络模型对比,识别准确率都有不同程度的提升,为今后的其他牲畜个体识别及后续的晋南牛性别识别、年龄识别工作提供了启示。