随着大众生活品质的不断提升,肉类、奶类、乳制品类的需求量也在不断加大。同时我国养殖政策从追求产量和产值转向追求质量和卫生,政府、社会和消费者对食品安全也越来越关注和重视。牛只个体识别在食品溯源、身份鉴别、生产管理、疫苗接种、疾病防控和牲畜的所有权分配等方面发挥了重要作用。耳标等侵入式牛只个体识别方法,存在设备容易丢失、损坏、可被复制和篡改等弊端。而牛脸作为暴露在外的生物特征,生物信息显著,在非侵扰的情况下即可完成个体识别。牛只个体脸部识别属于实例级识别任务范畴,牛群中个体脸部之间的差别不大,而同一个个体的多个数据样本由于场景、视角、光线、形变等方面的差异,造成个体脸部不同样本之间特征迥异。这些都是全世界牛只个体脸部识别面临的关键问题和挑战。基于以上,本研究从生物特征识别分析技术、计算机视觉和深度学习等技术方面,围绕着深度学习模型和个体样本量之间的依存性,研究复杂场景中牛只个体脸部的识别问题。本文主要研究对象、内容及结论如下:1)针对鲜有批量获取高质量、规范化牛脸图像数据的标准流程,本研究制定了在复杂场景中牛只个体脸部数据标准化采集方案。通过牧场实地调研,根据大规模养殖实际情况和数据采集关键技术要点,提出了牛只个体脸部样本采集准则和数据拍摄要求。依据准则和要求,采集牛只个体数据并创建原始牛只视频、图像数据集。提出Res SSD算法,利用残差学习模块提取并融合多尺度特征图,完成从原始牛只数据集中提取牛脸图像。总结上述工作,制定了牛只个体脸部数据采集、制作方案。2)针对目前少有大规模公开牛只个体的脸部数据集,本研究构建了264个牛只个体的脸部图像数据集。数据集包含可用于图像识别和目标检测的牛只个体图像、牛只个体脸部标注文件、牛只个体脸部图像各143751个文件。为弥补数据集中牛只个体类别样本量间的不均衡,提出了M-CVAE算法,通过提取正则化的高斯潜在变量,生成指定牛只个体的脸部图像代替数据增强技术。3)针对个体多样本情况下的图像识别,本研究提出了C-LBP Caps Net算法进行牛只个体脸部图像识别。首先,将卷积特征和局部二值模式纹理特征相结合,提出了C-LBP融合特征提取器。接着,分别利用自注意力机制和增加胶囊层数,改进经典胶囊网络结构,在增强特征提取能力的同时提高了胶囊利用率。把C-LBP融合特征提取器和改进的胶囊网络配合使用,提出了C-LBP Caps Net算法。C-LBP Caps Net在牛只个体脸部数据集上与其他网络模型做实验比较。实验结果表明,C-LBP Caps Net在牛只个体脸部识别时准确率达到99.12%,F1值达到98.84%。当训练过程中添加新的位姿数据时,C-LBP Caps Net也较其他网络表现出良好的性能和鲁棒性。4)针对个体小样本情况下的图像识别,本研究提出了Siamese DB Caps Net算法。首先,通过融合密集模块来改进经典胶囊网络结构,在提高CNN提取特征能力的同时保留特征的空间信息,提取图像的位姿向量。接着,利用孪生网络结构提取图像对特征,得到双变量特征。根据位姿向量的不变性特点,使用双变量特征的相关性分析取代经典孪生网络的距离度量,实现图像的分类识别。在小样本牛只个体脸部数据集上和其他网络模型进行实验比较。实验结果证明,Siamese DB Caps Net准确率达到93.00%,F1值达到93.54%。5)针对个体没有训练样本情况下的图像识别,本研究提出了牛只个体脸部识别的零样本学习方法。根据Siamese DB Caps Net网络使用位姿向量可以提取牛只脸部特征,类推从未参加训练的牛只脸部数据中也可以映射到相似的位姿向量特征。使用Siamese DB Caps Net训练得到的最优模型,在30头未参与训练的陌生牛只脸部数据集上进行测试。牛只个体脸部识别率达到了86.92%,证明Siamese DB Caps Net模型可以进行陌生牛只个体的零样本脸部识别。