深度图像分析在农业中具有很大的潜力,在动物行为检测和体重估计中具有重要应用价值。检测猪不活动行为及其体重的传统方法依赖于费时费力的人工检查。本论文提出了使用深度图像检测围栏中群养母猪的不活动行为的相关方法,并建立了个体仔猪体重的检测模型。研究通过搭建的图像采集系统自动连续记录动物的深度图像,通过提出的DepInact图像处理和逻辑分析方法跟踪处于非活动状态的群养猪个体,并对处于这一状态超过一定时间阈值的猪只(目标猪只)进行识别。为了验证所开发系统的稳健性和准确性,获得了 656对间隔4秒拍摄的相应的深度数据和彩色图像,其中深度数据用来自动检测目标猪只,而彩色图像用来人工确定真实的非活动目标猪只。通过比较DepInact识别结果与人工真实标记结果,得到利用DepInact进行非活动目标猪只检测的准确率为85.7%,从而证明所开发的系统可以用于非活动目标猪只的自动识别。特别的,该系统对猪舍光线条件改变不敏感,具有较好的环境适应性。本研究的第二部分讨论了基于深度图像的仔猪体重检测方法。研究提取单个仔猪特征(如背部区域,高度和高度总和)并利用这些特征建立了支持向量机(SVM)模型来估计仔猪重量。研究比较了单一特征输入和多特征输入的结果,最优模型为使用三个输入特征时建立的SVM模型,校正集相关系数和均方根误差分别为0.82和0.09 kg,预测集相关系数和均方根误差为0.95和0.08 kg。然而,但仍需开展更多深入的研究来提高系统识别和预测的准确性。