呼吸是奶牛最基本的生理活动之一,蕴含着丰富的生理健康信息。奶牛呼吸行为的准确、自动检测是基于“医工交叉”技术实现热应激等呼吸相关疾病智能诊断的技术前提,不仅有利于奶牛健康问题的及时治疗,也有助于优化饲养方案、提升牛奶产量和养殖场经济效益。为解决现代化大规模养殖场中人工检测奶牛呼吸行为面临的人力成本高、易疲劳、准确率低等问题,本研究以杨凌区科元公司的泌乳中期“荷斯坦”奶牛为研究对象,进行基于视频分析的呼吸检测技术研究,以期为奶牛呼吸行为的智能检测提供技术支持。本研究的研究内容及相关结论如下:（1）针对自然场景下侧卧奶牛呼吸行为检测存在腹部易被遮挡、光照复杂、传统算法计算量大、速度慢等问题,提出了一种基于LK光流法检测奶牛腹部花斑边缘运动规律的呼吸检测算法。为验证本研究算法的有效性,开展了与整体LK光流法、整体Horn-Schunck光流法、基于花斑边界的Horn-Schunck光流法的对比试验。试验表明该算法平均准确率为98.58%,较对比算法提升1.26%～2.36%,算法检测耗时较经典稠密光流类算法缩短34.05%～39.31%,综合性能均优于3种对比算法。研究结果表明,本算法能很好完成侧卧奶牛的呼吸行为检测,该研究可为侧卧奶牛呼吸疾病的诊断奠定技术基础,也可为后续站立、多目标奶牛呼吸行为检测方法研究提供一定的理论支撑。（2）针对站立奶牛呼吸行为检测呼吸动作幅度微弱、遮挡干扰多、观察与检测难度大的特点,提出了一种融合Deeplab V3+与PBVM动作放大算法的站立奶牛呼吸行为检测方法。为验证该算法有效性,与原始视频LK光流法、目标分割视频LK光流法和原始视频动作放大LK光流法进行对比试验。试验结果表明,由于该算法融合了Deeplab V3+目标分割与PBVM动作放大处理,能较好避免无关背景干扰并有效增强奶牛呼吸动作幅度,对站立奶牛呼吸行为检测准确率为93.04%,分别高于三种对比算法45.82%、17.72%、22.94%,表明基于该算法实现对站立奶牛的呼吸行为检测是有效、可行的。（3）针对自然场景下奶牛易聚集、而多目标奶牛呼吸行为检测中存在运动复杂多变、无关干扰多、不同奶牛目标呼吸行为检测难度大的问题,设计了基于深度学习的多奶牛目标的呼吸检测算法。试验结果表明,该算法能较准确完成多目标奶牛识别与分割、对奶牛行为的较高精度识别（站立静息、侧卧静息）,多目标奶牛呼吸行为检测的平均准确率可达93.56%,表明本研究算法不仅能够较好完成多目标奶牛呼吸行为检测,也可为多目标奶牛呼吸行为检测提供技术参考。（4）基于单目标侧卧、单目标站立、多目标奶牛呼吸行为检测算法开发设计基础,采用MATLAB图形用户界面工具箱,设计非结构化环境下的奶牛呼吸行为检测演示软件。该软件完成了对本研究提出的三种呼吸行为检测算法主要过程的集成演示,在试验视频上的测试结果表明,该软件可基于上述三种算法完成对不同场景中奶牛呼吸行为的检测及结果保存等功能,该软件界面完整科学、操作快捷简单、图像显示直观具体,有较好的操作流畅性。