动物保护研究领域通过监控技术,收集不同应用场景下与动物相关的视频图像,分析其中包含的动物信息,进而开展相关的保护研究工作,然而随着监控数据的持续增多,传统的依靠人工对其进行筛选的方式,已经无法满足日益增长的数据分析需求。因此本课题分析对比了多种图像处理算法与常用卷积神经网络模型的优缺点,针对不同应用场景下两种类型的动物监控数据,使用了两种数据分析方法,自动从中检测出包含动物信息的关键部分,具体如下:(1)室内视频分析。通过感知哈希算法去除视频中重复的图像帧,保留内容较相邻帧存在差异的运动帧,减少需要进行识别的帧数量。利用帧间差分法比较相邻运动帧之间的差异区域,分割出所有运动帧中的运动目标,提高识别的正确率。创建并训练了一个能够识别特定动物的卷积神经网络模型,用于识别运动目标,确定运动帧中是否包含动物影像。(2)野外图像分析。提取图像的感知哈希特征、HSV直方图与时域特征,对同一红外相机采集的图像进行聚类,将背景相似的图像划分到同一子集。在子集中建立均值背景模型并选出背景图像,根据背景图像获取所有图像中的活动目标。创建并训练了一个能够区分背景与野外各种动物的卷积神经网络模型,以识别活动目标并确定它们所属的类别。在监控数据分析的基础上,设计并实现了动物监控数据筛选系统,该系统能够自动分析室内视频与野外图像,将分析结果标示给用户,减少人工在大量数据中查找动物信息造成的资源浪费,并且优化了与人工筛选工作相关的数据管理、数据检视、数据处理与数据统计等工作流程,进一步降低人工成本。对系统进行了功能测试与性能测试,测试结果表明该系统具备良好的稳定性和实时性,能够有效提高用户筛选动物监控数据的工作效率,达到了预期目标。