现代生猪养殖业不断趋于规模化和集约化,密集型群养环境下生猪的争斗行为频繁发生,严重影响生猪福利健康与生产性能以及养殖场经济收益。因此,在生猪群养过程中准确识别和检测出是否有争斗行为发生,进而通过及时的人工干预,可以有效减少生猪因争斗而出现的伤口感染甚至死亡等现象的发生,对实现生猪健康养殖和提升养殖场效益具有重要意义。随着计算机视觉等相关技术的发展,越来越多的学者开始研究面向视频的非接触式争斗行为自动识别与检测方法,相比人工观察方式,这种非接触式方法在提高行为识别和检测效率的同时,还能够有效避免人畜交叉疾病感染的风险。本文在研究群养环境下生猪争斗行为在视频数据中呈现特点的基础上,重点基于深度学习技术框架,研究面向视频数据的生猪争斗行为的识别方法和检测方法,以实现对生猪争斗行为类别的自动判断和生猪争斗行为发生时刻的自动定位,为此,本文主要从以下三个方面开展具体研究工作:（1）生猪行为识别与检测视频数据集构建。为了训练群养生猪争斗行为识别及检测模型和测试相关模型的性能,本文分别构建生猪行为识别视频数据集与生猪行为检测视频数据集。在生猪行为识别数据集中,经过对原始视频数据预处理、数据标注及数据增强后,包含2705段时长为3s的争斗行为视频片段和2825段时长为3s的非争斗行为视频片段,并按照约6:2:2的比例随机划分为训练集、测试集和验证集。对于生猪行为检测数据集,人工选取包含争斗行为的视频数据并将其裁剪为时长1分钟及以上的长视频段,并通过视频标注软件人工标注争斗行为发生的起止时间,在训练集中包括133段长视频,其中含有308个行为标注,在测试集中包括41段长视频,包含156个视频标签。（2）面向视频的群养生猪争斗行为识别方法研究。针对生猪争斗行为在视频数据空间域和时间域中表现出的不同特性,本文提出融合空间和时序注意力机制的CNN-GRU组合模型,该模型主要由空间特征提取器和时序特征提取器组成,通过在空间特征提取器中加入空间注意力机制以提高对争斗行为发生区域的关键表观特征的学习,在时序特征提取器中加入时序注意力机制以提高对争斗行为关键帧时序特征的学习,在此基础上实现对争斗行为的自动识别。该方法在本文生猪行为识别数据集上取得了95.8%的争斗行为识别精度。（3）面向视频的群养生猪争斗行为检测方法研究。为了提高生猪行为智能监测技术的实用性,本文在研究行为识别算法的基础上,进一步研究如何自动快速地在长视频中检测出生猪争斗行为的发生时间及类别,本文研究并提出基于端到端的无锚显著性框架模型的争斗行为检测方法,并进一步根据本文的生猪行为检测数据集特点使用滑窗的方式分割视频,实验结果表明在t Io U阈值为0.5时,该模型能够在提名数量为100段时达到79.1%的召回率,在轻量级与实用性兼具的前提下,能够较好地完成对群养生猪争斗行为的检测任务。本文结合深度学习与计算机视觉技术实现了群养生猪争斗行为自动识别与检测,为真实养殖环境下生猪的行为识别、检测与分析以及生猪行为学相关的研究提供了新的方法,同时也为其他畜禽动物的智能化健康监测提供了一定的新思路。