反刍是反刍动物将植物资源转化为动物资源的重要行为,并且反映了动物的生理健康及福利水平。疾病、产犊、发情、日粮颗粒、应激反应等都会影响反刍行为的时长,因此可以通过监测反刍行为的变化来反馈动物的生理健康及福利水平。传统的人工监测方法耗时费力,效率不高,随着养殖规模的扩大和精准畜牧业研究的深入,对反刍自动监测系统的需求也日益增加。为了实现反刍行为的自动监测,本文以压力传感器为核心器件,设计了一套奶牛鼻羁压力信号获取设备。通过分析鼻羁压力信号的特点,选取短时能量、标准差、形状指数、均方根包络和极值包络作为鼻羁压力信号的时域特征,选取周期图法频谱、多窗口法频谱和最大熵法频谱作为鼻羁压力信号的频域特征,并利用经验模态分解获取了鼻羁压力信号的本征模态函数。采用Kruskal-Wallis检验方法分别计算各类特征参数之间的区分度,在不影响模型识别准确率的前提下,对9类特征参数进行优化,利用BP神经网络模型验证对识别准确率贡献小的参数,并将相应特征参数剔除。验证结果表明可以将区分度小的参数去掉,并且不影响识别结果,这就有效的去除了冗余参数。完成特征参数的优化后,分别利用BP神经网络、极限学习机和决策树分类器这三类模式识别方法识别奶牛反刍鼻羁压力信号,将优化后的时域特征、频域特征、本征模态函数以及特征参数之间的组合作为输入特征参数,进而分析分类器识别效果,选择最佳分类器。结果表明决策树分类器的反刍识别准确率高于BP神经网络和极限学习机的反刍识别准确率。因此,本文采用决策树分类器来识别奶牛反刍鼻羁压力信号。在以决策树为分类器的基础上,构建了反刍主要参数(反刍次数、反刍时长和反刍食团数)识别模型,结果显示,基于决策树的反刍主要参数识别模型可以很好的识别反刍次数、反刍时长和反刍食团数,与人工记录的反刍信息相比,该模型对反刍次数、反刍时长和反刍食团数的识别准确率分别为95.38%、94.67%和92.87%、平均绝对百分比误差分别为1.41%、1.87%和3.038%,表明该方法可以有效的识别反刍行为。本文基于决策树分类器实现了奶牛反刍次数、反刍时长和反刍食团数的识别,为奶牛反刍的自动监测提供了一种新方法。