由于人们对牛肉商品的需求越来越大,牛场的养殖规模也随之扩大,所以对牛只的数量管理有了更高的要求。但传统的人工数量统计方式费时费力且容易出错,使用硬件设备计数又容易对牛只造成影响,存在许多安全隐患。因此,为了减少人工成本,同时降低牛面临的安全隐患,对无接触式牛只数量管理的研究便显得非常重要。得益于深度学习的快速发展,基于计算机视觉的物体数量估计算法取得了卓越的成绩,但在畜牧计数方面仍然存在很多挑战。一方面网络上用于牛只数量估计的数据非常少;另一方面牧场牛只存在高遮挡、尺度变化大等问题,使用现有的一些方法进行牛只数量估计难以满足计数精度要求。针对这些问题,本文提出了相应的解决方法。为解决牛只数据少的问题,本文通过在牛场安装远程监控摄像头以及在草场使用无人机搭载摄像头对牛只的日常生活进行监控,从而获取大量牛只视频,然后经过人工筛选、关键帧提取建立了牛只数据集,包含740张牛只图像。针对牧场牛只遮挡严重且分布不均的问题,本文提出了一种基于多尺度残差视觉信息融合的牧场牛只数量估计方法。该方法通过预测输入图像的密度图,再对密度图求和得到预测数量。通过使用多个并列且空洞率不同的空洞卷积提取牛只目标的多尺度特征,能更好适应牛只的多尺度变化。实验表明,本文提出的方法相比于其他密度估计算法在牛只数据集上取得了最低的平均绝对误差1.74和均方根误差2.47,同时在人群计数主流数据集上也有较好的表现,进一步证明了该方法的有效性以及鲁棒性。现有密度估计方法的监督信息生成需要对标注信息进行高斯模糊处理,而这种处理忽略了目标的形状大小。因此本文设计了一个动态调整监督信息网络,以高斯模糊生成的监督信息作为输入,利用密度预测网络预测的密度图对人工生成的监督信息进行调整,得到更加适合预测牛只目标密度的监督信息。实验证明,经过动态优化调整后的监督信息训练出的密度预测网络预测结果更加准确,其平均绝对误差降低了8%,均方根误差降低了13%。本文算法在牛只数据估计上取得了较好的效果,使得牧场在牛只数量管理方面更加智能化,避免对硬件设备的依赖,加快智慧牧场建设进程,为之后实现牧场牛只的无接触式牛只数量估计提供了新思路。