畜牧业的发展越来越注重质量、可溯源性和批量化管理等问题。本研究为了改善传统的个体牛身份识别所存在的问题,提出了一种基于机器视觉识别个体牛身份的方法。使用深度学习算法提取牛唇纹区域图像,并使用特征提取算法对牛唇纹图像进行识别,获得了较好的识别效果,对非接触式牛身份识别具有指导意义。本研究共有三部分:牛唇纹图像数据集的制作、牛唇纹区域的目标检测和牛唇纹图像识别模型的设计。首先在内蒙古的牛场和奶站使用相机拍摄牛唇纹图像,制作了牛唇纹数据集（CMID）,该数据集共包含184头受试牛,共11509张图片。然后使用Aerial Detection目标检测模型进行牛唇纹区域的目标检测,获得了只包含牛唇纹区域的图像。对牛唇纹图像进行了统一分辨率大小和限制对比度自适应直方图均衡化（CLAHE）预处理,以此增强牛唇纹图像的可识别性。实验对比分析了基于局部不变特征和基于深度学习的两类特征提取算法对牛唇纹图像的识别效果。使用基于局部不变特征的尺度不变特征变换（SIFT）、加速鲁班特征（SURF）以及定向快速旋转（ORB）三种算法提取牛唇纹图像的特征描述符,并使用K近邻（KNN）分类算法进行牛唇纹特征描述符匹配。使用基于深度学习的卷积神经网络提取牛唇纹特征,并对比不同图像处理算法对识别效果的影响。实验结果表明:在一对多的牛身份检索实验中,提出的CLAHE图像预处理与SIFT相结合的方法对牛唇纹图像识别效果最好。在一对一的牛身份匹配实验中,卷积神经网络识别效果较好。本文采用对个体牛没有影响的机器视觉方法,针对牛唇纹图像达到了较好的识别效果。弥补了传统个体牛身份识别的不足,对个体牛的非接触式识别具有重要影响。