猪肉市场需求的增大和养猪技术水平的提高促进猪养殖的规模不断扩大，集约化程度越来越高。利用机器视觉监测代替人工监测以减少养殖投入成本、提高自动化水平、增加经济效益，是当下研究的热点之一。本文在养殖场家猪行为视频监测系统的基础上，获取猪行为视频，通过机器视觉技术对猪目标的检测与跟踪方法进行了对比与研究，结合猪目标的生活习性，建立起基于猪运动轨迹的异常评价体系。本文主要研究工作有：　　(1)阐述了对猪目标进行智能监测的重要意义，对当前阶段目标检测、畜禽行为跟踪以及猪异常分析的研究现状进行了综述。　　(2)为了精确检测出视频图像中的家猪，首先从运动目标检测的角度出发，阐述了背景差分法、帧间差分法、光流法以及高斯混合模型方法的理论，并结合实验分析对猪目标检测的优缺点与适用性。再从静止目标检测的角度出发，反复实验对比颜色检测、均值漂移与GrabCut方法的分割提取结果后，针对GrabCut方法经一次迭代后分割不精确，且每次迭代时间较长的缺点，本文提出了结合颜色特征与GrabCut分割法的猪目标检测方法，利用颜色检测的快速性与简单背景下对猪目标检测的精确性，在GrabCut分割结果上再进行一次颜色检测，提高对猪目标检测的精确度。　　(3)为了较为准确的跟踪猪目标，首先对特征匹配、粒子滤波等几种跟踪算法进行理论阐述与实验，但是其结果都不理想。在确立了以Vibe算法作为本文跟踪算法后，通过三组实验分析出该算法对猪目标跟踪时存在的缺陷。针对其中几点缺陷，提出三条改进策略：a)在初始阶段用较小的时间重采样因子，以加速初始帧中鬼影的消融。经过一段时间后，提高时间重采样因子的值，以延缓静止的猪目标的消融速度；b)将猪休息区域设置为ROI区域，用目标检测的方法检测休息区域内长时间不动的猪目标；c)用阈值法确定有效跟踪区域，当检测出的连通区域的面积处于有效阈值区间时，此连通区域为有效跟踪区域，判断猪为运动或短暂静止状态，跟踪该连通区域，并用最近邻法则连接其最小包围矩形框的中心点，以绘制其运动轨迹；当有效跟踪区域个数减少时，说明有些猪长时间静止，找到上一帧中其对应的位置点pt(x,y)，以pt(x,y)为中心点设置ROI区域，用目标检测的方法找出静止猪目标，待其再次运动后，用新的最小包围矩形框中心点连接pt(x,y)以保证轨迹的连续性。实验结果表明，改进后的跟踪策略可以有效实现对猪目标在复杂猪场环境下的跟踪，可以较精确地得到猪目标的运动轨迹。　　(4)利用得到的猪目标运动轨迹，结合行为锚定等级评价法，在分析了猪的生活行为特点后，提取出猪进食、饮水、排泄及休息四个关键事件，分别对其建立健康评价表，综合猪四种行为的表现，对猪的行为进行异常程度判断。