体温是猪体的一个重要的生理指标,体温反常是猪生理机能被扰乱的一种重要症状之一。在许多疾病中,尤其是患某些传染病时,体温升高往往比其它症状出现得更早。因此,及时地检测出规模养猪场中的发热猪,可以有效控制猪病的流行与蔓延。本文提出一种基于支持向量机的猪发热症状识别方法,以探索采用机器视觉技术快速检测发热猪的新方法。　　 本文首先提取了猪眼彩色图像和灰度图像的特征。对猪眼彩色图像,提取L*a*b*、HSV、rgb三个颜色空间的每个分量的一、二、三阶颜色矩；对猪眼灰度图像,提取猪眼灰度图像的平均灰度、平均梯度、灰度熵、梯度熵,及眼珠与内眼角点之间的眼睑边缘的平均梯度、上述眼睑边缘上下各两个像素的平均灰度。然后,采用遗传算法从提取的33个备选特征中优化选择出独立、稳定性好、分类能力强的特征。分析了遗传算法流程中各步所采取的方法,给出了相应的参数,并对优选出的特征进行了分析。优选出的5个特征参数分别为H分量一阶颜色矩、S分量一阶颜色矩、a*分量一阶颜色矩、灰度熵、眼睑边缘上下各两个像素的平均灰度(眼珠与内眼角点之间的眼睑)。最后,采用支持向量机将猪的发热症状分成体温正常,轻度发热和重度发热三类。采用网络搜索方法选择最优的核函数参数和惩罚参数,并比较了多项式、径向基以及多层感知器核函数的分类结果。实验结果表明:径向基核函数最适合用作三类猪眼图像的识别。特征优化前后,以径向基为核函数的支持向量机分类器的平均识别率分别为83.3％和85.6％。本项研究对利用机器视觉代替人眼观察来及时发现猪的发热状况的方法进行了有益的探索,实验结果表明具有可行性。这对减轻养殖场工作人员得劳动强度,及时发现猪病征兆,提高规模养殖业自动化监控水平具有较好的学术意义和实用价值。