针对目前猪只饮食行为在猪舍环境下自动化检测程度较低的问题,本文提出一种基于YOLOv4模型的智能猪只饮食行为检测方法。对于特定的监控场景（如实验中的猪栏）,根据实验要求对栏内的猪只进食、饮水行为进行了定义;并针对真实养殖环境及复杂情况下的猪只饮食行为设立了特定的数据获取模型。针对采集的数据进行了一系列处理操作,包括格式转换、帧截取、数据筛选、数据增强、数据标定等工作,建立了2500张训练数据图像和500张测试图像数据的数据集,利用YOLOv4深度学习网络的深层次特征提取、高精度检测分类特性,对猪只饮食行为进行准确的检测。该模型在猪只行为检测中达到了较好的效果,准确性和适用性都比较高;在GPU加速条件下可以达到34FPS,达到了实时监测的要求,为猪只智能养殖与管理提供针对性和适应性的技术支撑。实验结果表明,基于YOLOv4网络结构建立的猪只饮食行为检测模型精度高,对于建立的测试数据集平均检测精度达到95.5%,相对于YOLOv3、Tiny-YOLOv4、Retina Net、Faster R-CNN、SSD五个模型分别高出2.8%、3.6%、5.9%、1.5%、5%。在黏连状态下,基于YOLOv4的YOLO-DBP（YOLO-Diet Behavior of Pigs）模型检测精度更是远远高于其他模型,对猪只进食行为的检测精度达到85.8%,高于同系列的YOLOv3、TOLOv4-tiny模型52.5%、42.2%,高于Faster R-CNN、Retina Net、SSD模型24.3%、44.8%、31.1%;对于猪只饮水行为的检测精度达到93.8%,高于同系列的YOLOv3、TOLOv4-tiny模型24.3%、4.9%,高于Faster R-CNN、Retina Net、SSD模型11%、63.6%、4.6%。本文方法可以准确预测猪只饮食行为,为猪只智能养殖与管理提供技术支撑。