随着我国畜牧业的发展,越来越多的养殖企业开始兴起,一些传统养殖企业如果不改变现状就面临着被淘汰的风险。近年来,作为传统产业的畜牧业面临诸多挑战。传统畜牧业中,牛群的养殖基本全靠人工饲养,为了确保牛只健康,防止疯牛病、牛肺疫等传染病的大量出现,牛场需要大量的工人24小时待命随时检查牛只的健康状况并统计牛只数量,一旦出现异样及时跟进处理。这种传统的养殖方式需要消耗大量的人力物力财力。为了提高牛场信息化管理水平并降低养殖成本、提升牧场经济效益、促进健康养殖。本文的研究内容是在深度学习框架下针对牛场牛群进行目标检测并实现数量统计,由于牛场空间有限,牛群相对密集且牛身较大,牛身之间因相互遮挡会导致漏检;牛群与牛舍背景相似会对牛身进行特征提取产生一定的困难。最近十几年,深度学习方法在机器学习领域逐渐崭露头角,被越来越多的研究者们应用在各行各业。也有科研人员基于深度学习进行牛群目标检测研究。针对上述牛群目标检测中出现的研究难点,本文主要研究工作如下:（1）提出一种基于E-DCN-Cascade RCNN的牛群目标检测算法。首先,采用可变形-膨胀卷积网络（Expand-Deformable Convolutional Networks,E-DCN）提取牛身纹理特征,并使卷积区域始终覆盖在牛身周围,提高了牛身与牛舍背景的区分度;然后,结合E-DCN和特征金字塔（Feature Pyramid Network,FPN）对各层特征信息进行深度融合,增强了遮挡牛身的纹路特征,得到各层牛身特征图,解决了因牛身相互遮挡导致的漏检问题。由于没有公开的牛数据集,在实验室制作的牛数据集上,IOU阈值设置为0.75时,本算法的AP值比Cascade RCNN提高了4.2个百分点,表明本算法具有更好的检测效果。（2）提出一种基于DC-SMKD的牛群检测模型轻量化方法。在特征提取主干络中含有大量卷积,非常适合使用可分离卷积进行特征稀疏,减小模型大小。由于牛背花纹信息大多是比较大的块状花纹,经过可分离卷积后,特征参数会有一定的减少,但牛背花纹信息并不会消失。经过可分离卷积后,由于牛身特征参数的减少会导致m AP的下降,后续使用教师模型对经过分离卷积后的模型进行平滑多层感知知识蒸馏,来提升经过可分离卷积的模型的检测精度。将本算法与传统的SSD目标检测算法作比较,本算法的网络模型比SSD小80M,但是AP比SSD高了1.34%,可以看出本文算法得到的网络模型比SSD更小,且检测效果更好。