畜禽的行为与其健康状况、生活环境密切相关,通过行为分析评估福利状况是一种简单、容易理解的常用方法。精准养殖的核心是个体信息和行为的智能监测与自动分析,通过先进的信息技术对鸡只进行持续、自动的监测是精准养鸡亟待解决的问题。本文以舍饲散养鸡只行为的自动化监测为目标,对基于深度学习的行为识别方法、多目标跟踪方法以及鸡只行为及整体状态的异常检测等关键问题展开研究。（1）研究了舍饲散养模式下鸡舍内鸡只的行为识别方法。针对数据集中类别不平衡问题,通过图像处理算法进行数据增强;针对实时性要求和鸡只数量较多、易发生遮挡的问题,采用YOLO v4目标检测算法并对其损失函数增加互斥力损失项;自动识别鸡只的采食、饮水、站立、舒展、趴卧、梳羽6种基本行为和啄羽、打架两种异常行为,均值平均精确率达到93.9%,各行为精确率分别为采食98.6%、饮水93.7%、站立95.6%、舒展88.9%、趴卧89.7%、梳羽89.5%、啄羽95.6%、打架99.8%。（2）研究了鸡舍内个体鸡只的运动跟踪方法。采用DeepSORT算法,针对鸡只在快速运动中容易产生运动模糊与非刚性形变的问题,提出了扩大预测框且使用DIoU代替IoU进行预测框的匹配,很好的跟踪了运动速度快、运动方向突变及非刚性形变严重的鸡只,多目标跟踪准确度为89.3%,比SORT算法和原始的DeepSORT算法鲁棒性高,同时满足了本文视频帧率下实时处理的要求。（3）提出了基于行为识别的鸡只行为监测与整体状态监测方法,进行异常报警。采用YOLO v4算法对44天的鸡只视频数据进行行为识别,对8种行为分别按帧、小时和日的平均行为数量进行统计,同时结合视频分析各行为特性;针对投料前后鸡只采食行为特点对投料异常情况进行报警;针对饮水行为统计对供水异常报警;通过采食饮水的历史数据建立饮食指数,进行鸡只饮食异常报警;根据啄羽行为的时间持续特性提高啄羽行为的识别准确度,识别30s以上啄羽行为;建立分布指数,掌握鸡只在舍内的聚集情况及在鸡舍内外的活动情况。（4）提出了基于个体鸡只运动速度和群体平均速度的行为及状态监测,并进行异常报警。针对鸡只追逐打架时运动速度快、方向突变的情况,采用扩大预测框及DIoU匹配的方法改进DeepSORT算法,对鸡只进行多目标个体跟踪并计算鸡只个体运动速度和群体平均运动速度。基于个体与群体运动速度分析,可以做病死鸡报警;基于群体平均运动速度分析可以做惊吓报警;基于两个快速运动的个体与个体距离的关系,结合打架行为识别可以做打架报警;综合运动速度与鸡只活动行为建立活跃度指标,作为考察鸡只活动量的指标。论文采用基于深度学习的目标检测与跟踪技术,对舍饲散养鸡只在鸡舍内的行为进行了深入研究。通过大量的数据分析,找出了鸡只行为特征与规律,提出了行为及活动状态监测的指标。研发了鸡只行为自动监测平台,对鸡只行为进行实时、自动、持续的监测,及时对异常状况进行报警。将深度学习的方法引入鸡只行为识别与状态监测,为实现精准畜牧养殖提供了新的技术发展方向。