对野生动物的识别是保护野生动物的必要环节,而快速准确的识别方法会使识别效果事半功倍。目前,深度学习技术的引入已经解决了人工识别效率低和识别成本过高的问题,但依然存在着“目标特征不明显”、“目标自身及背景复杂多变”、“目标发生尺度形变”等难题,进而影响了野生动物识别的效果。本文旨在对野生动物的识别方法进行研究,主要分为在单一角度下和不同角度下对野生动物的识别。单一角度下对野生动物的识别主要应用在野外检测环境中,可以有效地采集到野生动物的特征照片。不同角度下对野生动物的识别应用则更加广泛,主要应用在背景信息复杂的场景中。主要研究内容如下:（1）提出一种基于局部特征的野生动物识别算法。针对单一角度下野生动物只有局部特征信息的问题,利用反向传播方法,来计算野生动物特征图像素对目标分类的贡献度,使其局部特征有一定的辨别度。在训练目标分类器阶段引入代价敏感算法。最后将目标物体的局部特征与整体特征融合,并训练分类器。通过实验得出该算法比其他相关算法的识别准确率要高。（2）提出一种基于Dense Net-169的SSD目标检测模型。针对不同角度下野生动物自身背景复杂多变、形态各异等情况,采用Dense Net-169网络替代原有模型中的特征提取网络,提高了复杂目标检测效果。利用该目标检测模型对图像中的野生动物进行定位、检测,能有效降低外界因素对野生动物检测的干扰。实验结果表明,该模型与其他目标检测模型相比检测效果更好,准确率平均提高了1.67%。（3）提出一种基于多角度特征融合的双线性卷积神经网络识别模型。针对不同角度下野生动物的特征提取不稳定、效果差等情况,从建立特征提取效果好的网络模型和改进损失函数两方面着手,通过引入特征提取网络Dark Net53,并采用多尺度融合的方法将不同尺度的特征充分显示出来。引入中心损失函数,使其与Softmax损失函数共同学习。同时对野生动物图像在特征空间里加以限制,缩小相同物种之间的距离且增大不同物种之间的距离,使得网络获取的特征具有更强的判别性。最后通过实验得出,该方法在平均准确率和平均召回率上都有明显提升,分别达到了93.63%和90.85%。