随着精准畜牧养殖和草地生态保护理念的加强,畜牧业迫切期望依靠先进技术科学地管理家畜和草场。监测羊只在牧食过程中的关键信息,例如实时位置、牧食活动（采食、反刍、休息）、牧食行为（咀嚼、咬食、咀嚼-咬）、采食牧草的生长状况（十分密集、相对密集、稀疏等,以下简称为草况）和采食量等,是实现科学管理的基础数据支撑。目前,监测实时位置和牧食活动的方法较为成熟,但牧食行为、草况和采食量的监测方法尚不完善,有必要开展更系统深入的研究。在各种监测牧食信息的方法中,声学方法凭借不干扰家畜进食和功能全面的优势,被认为是最有前景的监测方法之一。因此,本研究以放牧羊只为例,基于声学方法开展了以下研究:（1）牧食行为的识别。牧食行为识别的目的是,在原始声信号中标记出每个牧食行为产生的声信号段（以下称为事件）,以便于进一步的分类。本研究收集了3只典型体重羊采食多种牧草和夜晚反刍的声信号,利用特征提取技术和参数优化方法,构建了一种优异的牧食行为识别算法。试验结果显示,该识别算法的准确率为96.16%,适用于典型羊只采食多种牧草,功能全面,精度较高。（2）牧食行为的分类。牧食行为分类的目的是,将识别的事件分类为咬食、进食咀嚼、咀嚼-咬或反刍咀嚼。本研究通过对比典型深度神经网络（DNN）、卷积神经网络（CNN）、循环神经网络（RNN）模型的准确率,得出了最佳的分类模型。试验结果显示,RNN模型的分类准确率最高,为95.61%;CNN稍低,为95.03%;DNN为84.04%。本研究改进的RNN模型,相对于典型的CNN模型,具有更强的分类能力。（3）草况分类。首先,本研究采集了羊只在3类典型草况下牧食的声信号。然后,按照草况的类型,将声信号分割成若干段样本,并从每段样本中构建出6种形式样本。最后,将形式样本的log-Mel特征送入到CNN模型或RNN模型以识别草况。在形式样本的预处理中,本研究对比了2种统一样本长度的方法和不同样本统一长度对模型准确率的影响。结果显示,FCB样本（固定长度的咀嚼与咬食顺序连接的样本）结合RNN模型的准确率最高（90.24%）。填充或截断样本波形以统一样本长度的方法比缩放样本log-Mel图像的方法更易获得高准确率的模型。形式样本的统一长度对模型的准确率有显著影响。（4）进食量估测。本研究设计了3级体重的羊只,2种牧草和3级含水率相组合的29组试验。从每组试验中构建了若干个片段样本,并从样本中提取了与咀嚼相关的多个解释变量（共44个）。随后,利用统计分析方法揭示了羊体重、草种类和草含水率因素对解释变量斜率的影响。最后,分别使用所有解释变量、所有解释变量&因素变量（羊体重、草含水率、草NDF含量、草ADF含量）线性回归了进食量。结果表明,草含水率因素对变量斜率的影响近似等于羊体重因素,小于羊个体差异因素;增加因素变量能大幅度地提高进食量回归模型的R2分数,同时减少模型所用变量的数量。将羊体重引入到进食量后,模型的R2分数得到进一步提高,同时所用变量的数量进一步减少。当进食量为FMIW（鲜草进食量和羊体重值平方的乘积）时,使用所有解释变量&因素变量能准确地回归进食量,R2分数为0.9727。