随着我国生猪产业向着规模化、集约化方向发展,传统人工观察、饲养已经无法满足现代养殖的高效性。将机器视觉检测方式应用到动物养殖过程中,可以实时获取大量的动物生活信息,而且不会对其正常生活产生干扰。随着人工智能的发展,人们已经不满足仅仅要求计算机可以准确快速的进行目标检测任务,更希望计算机能够更加智能化,在一定条件下,可以学习、理解图像间的上下文关系,甚至理解视频中的连续行为。本文针对养殖场现场生猪视频分析与理解问题,通过传统图像处理以及深度学习等手段,实时检测生猪目标,并识别其姿态。最后在此基础上,对站立生猪提取关键帧,构建疑似生猪行走行为的视频序列,采用深度学习方法,提取生猪时空行为特征,最终实现对生猪行走行为的自动识别。本文的主要研究工作如下所示:(1)对机器视觉及深度学习在养殖业中的应用及其优点展开论述,并对当前目标检测与行为检测的主要方法分类总结,分析了传统的机器学习和深度学习各自的特点;(2)生猪目标的实时检测。首先,对现场采集的视频信息做预处理,突出生猪目标前景。针对猪舍环境光线变化大、背景较为复杂、传统人工特征的目标检测算法鲁棒性较弱等难题。本文提出一种基于稀疏化深度可分离网络结构的快速SSD生猪目标检测算法。该算法在经典SSD模型基础上,提出三点改进:1)在SSD基础网络中,通过引入宽度参数以及深度可分离网络,设计了稀疏化深度可分离基础网络结构;2)在预测模块中,提出精简模型预测网络策略,只对网络中T2、T3预测网络层生成的损失函数值做处理,实现模型的权值更新;3)在训练过程中,针对小样本的局限性,提出自主采样困难样本的训练算法。实验结果表明,该快速SSD生猪目标检测算法在保证识别准确率的前提下,减少网络参数,加快生猪目标检测模型建立时的收敛速度及模型识别速度,满足生猪实时检测要求,有助于提高生猪养殖业的自动化水平。(3)生猪姿态的识别。定义了生猪的站立、侧躺、趴卧以及坐立4种姿态,基于上节提出的快速SSD生猪目标检测模型的识别结果,进一步提取其几何与Hu距姿态特征,并融合构成生猪姿态描述符,构建SVM姿态分类器以实现生猪姿态识别。改算法在生猪目标精确提取的前提下,可以快速的实现生猪姿态分类。(4)生猪行走行为的识别。本文首先将站立生猪姿态作为关键帧,提取连续时间内的视频段作为重点分析对象,针对生猪行动随机性大且样本数据有限导致对生猪行为检测不准确的难题,提出了改进的C3D生猪行为检测算法,该算法采用多种数据扩增策略丰富行为数据集,避免选取人工特征的局限性,保留C3D模型基础网络提取生猪行为的时空特征,将其与SVM结合起来,充分利用SVM分类能力强的优点,构建C3D-SVM生猪行为检测网络,以提高生猪行走行为检测的准确率。