近年来，基于机器视觉的动物行为检测和识别已经成为了机器视觉研究领域的热点之一。本文在机器视觉应用技术基础上，通过构建星状骨架模型来提取出模型角度参数。利用角度的统计特征以及小波分析对猪的正常行走和跛脚行走的进行分析判别，最终实现了基于机器视觉应用的猪跛脚行走的自动识别。　　通过图像预处理检测猪体目标轮廓，利用背景减除法、中值滤波、形态学处理以及边缘检测得到目标猪体轮廓图。在此基础上，提取目标猪体的轮廓中心点，绘制出轮廓中心-边缘点距离曲线。对该曲线进行低通滤波实现平滑处理，获得曲线上的局部极大值点，并且定义这些极大值点为关键轮廓点。然后将猪体的轮廓中心点与关键轮廓点相连接，构建星状骨架模型。为后续步态数据的提取以及数据的小波分析提供基础。　　利用已经构建好的星状骨架模型，提取猪行走的步态数据，从数据的统计特征可以得出猪在行走时模型中AOG角度（耳朵、轮廓中心点及尾部相连）变化规律，对相邻帧差值、最大最小角度差值进行统计特征分析，以上两组角度差的统计特征表明:正常行走和跛脚行走的猪在行走时角度差存在着较大的变化差异性，该差异性可以用来作为判断区分猪跛脚行走的依据。　　利用小波分析对提取的猪行走数据做进一步分析，可以得到步态数据中所隐含的步态规律，小波分解可以得到步态数据的周期特性以及奇异点空间分布特性;小波对统计数据进行低频部分的重构可以有效的滤除冗余信息，提高跛脚数据的识别度，能够在减少数据维数的基础上提高识别正确率。实验结果表明，小波重构后实验数据的跛脚识别率可以达到95％以上。　　该研究将机器视觉技术应用到猪生长过程中，实现猪饲养过程中跛脚类疫病的自动检测，能够有效检测出猪跛脚类疫病的早期跛脚症状，采取及时有效的猪疾病应对措施，阻止跛脚类猪疫病的蔓延，对猪跛脚类疫病预警机制的构建有指导意义和实用价值。