畜牧业是我国国民经济的重要组成部分,随着畜产品种类和产量不断增加,我国农业和农村经济取得了全面发展。由于羊具有繁殖率高、生长发育快、适应性强、易于管理等优点,羊养殖产业也取得了较快发展,其养殖方式由分散养殖逐渐转变为专业化、规模化、标准化的养殖模式。在羊养殖过程中对哺乳期的羊只管理十分关键,不当的管理会影响母羊的健康状况、降低小羊的存活率、甚至会影响经济效益。通过计算机视觉监测母羊的哺乳姿态,了解母羊的哺乳意愿并及时进行人工干预,可以提高养殖管理效率从而避免以上问题,其中光照强度、羊体粘连、复杂背景等因素对母羊哺乳姿态的识别有很大影响。基于此问题,本文以哺乳期奶山羊为研究对象,以静态单目标与多目标哺乳场景图像为数据源,构建神经网络模型并进行训练与测试,使得模型可以准确定位哺乳期母羊并识别其哺乳姿态。首先使用目标检测领域主流的算法SSD、YOLOv2、YOLOv3、Faster R-CNN分别进行了母羊哺乳姿态识别实验。实验结果表明,Faster R-CNN效果更好,因此建立了基于Faster R-CNN的母羊哺乳姿态识别模型。在此基础上,分别以ZFnet、VGG16、ResNet50、ResNet101为特征提取网络在自主构建的母羊哺乳数据集上训练Faster R-CNN模型并进行测试,通过实验对比最终确定了以ResNet50作为特征提取网络。本文主要基于Faster R-CNN模型在自主构建的母羊哺乳场景数据集上存在的3个难题,对模型进行以下3点改进:（1）针对目标模糊、不完整,以及存在遮挡的困难样本难训练导致漏检的难题,引入在线难例挖掘算法选取困难样本,对模型进行再训练,提升了模型对困难样本的分辨能力;（2）针对区域建议网络生成的候选框存在冗余,且由于遮挡导致部分羊只漏检的难题,使用Soft-NMS算法替换NMS算法对Faster R-CNN模型进行改进,提升了模型对目标框的筛选能力;（3）针对Softmax对哺乳母羊坐立与侧卧姿态存在分类错误的难题,本文通过引入Center loss监督信号,用Softmax与Center loss联合代替了原始的Softmax,提升了模型分类准确率。使用自主构建的母羊哺乳场景测试集对改进后的模型进行测试,实验结果表明,该模型对哺乳母羊的站立、坐立、侧卧3类姿态的识别准确率分别为92.5%、91.6%、91.2%,mAP为92.43%,相比改进前提高了 3.4个百分点。本文提出的方法能很好的适应自然场景条件下的母羊哺乳姿态识别,为后续基于动态视频提取母羊的姿态信息提供基础。