黄羽鸡是我们生活中常见的一种家禽,由于其羽毛蓬松、喜欢聚集等特点,在识别过程中,很难准确识别每只黄羽鸡。大规模养殖模式易使饲养者不能及时发现黄羽鸡是否处于异常行为状态,致使鸡群死淘率上升,影响饲养企业的经济效益。针对以上问题,本课题以日龄为50天的黄羽鸡为研究对象,通过视频监测系统采集复杂环境下黄羽鸡有效区域的图像。研究发现SSD和Faster-RCNN算法难以准确识别黄羽鸡,因此本论文提出Faster-RCNN-OHEM算法,将黄羽鸡从复杂的鸡舍背景分离,准确定位黄羽鸡的位置;通过分析黄羽鸡的位置分布,研究鸡群的密度和环境因素的变化对鸡舍空间的利用、鸡群运动方式及其分布的影响。本文的研究内容和主要结论如下:（1）本文设计了图像采集系统及标定了摄像机的内部参数。在自建的鸡舍实体模型中设计环境监测系统和图像采集系统,为模型训练提供实验所需的图像数据集。采用张正友标定法对摄像机的内部参数进行标定,从而降低了因摄像机拍摄造成的畸变误差,提高了图像质量。（2）本文对黄羽鸡图像进行预处理并制作了图像数据集。针对环境复杂、光线分布不均、物体遮挡、黄羽鸡颜色与垫料颜色相似度较高等问题,采用Python语言包对黄羽鸡的图片进行翻转、平移等预处理,同时制作黄羽鸡图像数据集来提高黄羽鸡识别效果。（3）本文改进Faster-RCNN算法实现对黄羽鸡的有效识别。针对鸡群密度大,SSD、Faster-RCNN算法难以准确识别黄羽鸡的问题,提出Faster-RCNN-OHEM算法。在复杂环境下训练黄羽鸡样本集,建立适用于黄羽鸡只识别的卷积神经网络模型,准确定位鸡群坐标位置,最终黄羽鸡饮食、饮水、振翅和其他识别的准确率高达90%。（4）本文分析了黄羽鸡行为的分布。采用改进的Faster-RCNN算法对不同时间、不同密度的黄羽鸡群体进行识别分析。当降低黄羽鸡的饲养密度时,不但有助于降低鸡群间的相互攻击行为,也有助于黄羽鸡鸡群不同行为的表达,符合现代黄羽鸡福利养殖和黄羽鸡鸡群健康状况研究。本文研究结果表明:（1）基于Faster-RCNN-OHEM算法可以将黄羽鸡从复杂背景有效分离,识别的效果优于SSD算法和Faster-RCNN算法;（2）研究黄羽鸡不同密度对黄羽鸡的鸡群分布,运动参数会产生一定的影响,当温度到达32℃,分布较为分散,会有轻微应激反应。本研究可以通过黄羽鸡行为分析提供健康预警,优化福利养殖管理水平。