我国是农业大国，猪肉的出栏量、消费量与养殖规模连续多年位居世界第一，养猪业的健康稳定发展与民生息息相关。国家统计局显示，近一年来生猪存栏量与能繁母猪存栏量持续稳定增长。传统养殖业中对养殖环节中异常情况的监测与处理主要依靠饲养员的主观判断，劳动强度大且效率不高，对异常情况的发现不及时，可能会造成严重经济损失。因此，机器视觉技术的非接触与高效的特点得以显现，应用智能视频监控方法进行养殖的方式已经出现。智能视频监控技术在各种场合下，都可以有效分析信息，输出检测结果，所以智能视频监控技术在养猪业中也有很好的应用前景。
　　生猪养殖的各个环节、各个时期都有可能出现问题，通过计算机对数据处理的高效性，使用机器视觉方法迅速定位异常情况，针对异常情况给予决策判断，并向饲养员发出警报，提高养殖效率，降低经济损失。将机器视觉技术与养殖业相结合，养殖方式的半监督、自动化己成为发展趋势。本文基于深度学习方法，通过自主构建的猪只数据集，训练了仔猪目标检测、母猪图像分割与母猪姿态分类的模型，主要研究内容和结论有:
　　(1)研究基于回归方法的目标检测框架，基于深度学习方法，通过自主构建的仔猪目标检测数据集，使用优化的YOLOv3目标检测算法进行训练。优化后的算法对猪舍复杂环境下的仔猪目标检测的精确率、召回率、F1值分别达到92.46％、94.68％、93.59％，可有效检测出仔猪目标，为后续仔猪行为状态分析奠定基础。
　　(2)本文在不同的目标检测框架下对自主构造的仔猪训练集进行训练，训练完成的Faster-RCNN、SSD、YOLOv3模型检测准确率分别为90.43％、93.64％、94.25％。并使用轻量级网络结构优化YOLOv3检测框架，有效减少模型的训练参数，提升了训练速度，训练完成的模型仅占用内存26.1MB，可用于移植到嵌入式和手持移动设备。
　　(3)研究基于深度学习的图像分割方法。基于猪舍环境下的视频数据建立的哺乳期母猪图像数据集，利用语义分割网络DeeplabV3+进行训练，使用测试集图像对训练模型可视化结果分析评估，DeeplabV3+模型的MIoU达到0.956。本文使用的DeeplabV3+语义分割模型可以在猪舍复杂环境中可以较好的分割出母猪对象，为母猪姿态分类奠定基础。
　　(4)研究基于迁移学习的图像分类方法，采用语义分割模型生成的母猪图像作为姿态分类的研究素材，克服了猪舍复杂环境影响分类性能的问题。基于迁移学习中模型迁移的办法对构建的母猪图像三类姿态进行分类，分别对四种网络结构进行训练，相比于未迁移的训练结果，迁移后的分类效果均有提升，并对迁移前后模型的性能进行了多方面分析与评价，MobileNetV2网络结构在迁移后对母猪姿态分类准确率达到90.23％。