针对红外相机中野生动物图像的目标识别有利于研究和保护野生动物,但是不同种类之间的野生动物数量差距大,因此红外相机采集到的野生动物数据集存在种类数量分布不均的问题,该问题被称为长尾问题。为此,针对野生动物数据集中的长尾问题,本文提出了解决和改进方法,主要包括以下几个方面:（1）针对野生动物长尾数据集中目标识别精度低的问题,提出一种基于两阶段学习和重加权相结合的长尾数据解决方法,并将该方法用于基于YOLOv4-Tiny的野生动物目标识别。首先,采集、标注并构建了一个新的野生动物数据集,该数据集具有明显的长尾数据特征;其次,采用基于迁移学习的两阶段方法训练神经网络,第一阶段在分类损失函数中采用无加权方式进行训练,而在第二阶段提出了两种改进的重加权方法,并以第一阶段所得权重作为预训练权重进行重加权训练;最后,对野生动物测试集进行测试。实验表明,无论分类损失采用交叉熵损失函数还是焦点损失函数,提出的长尾数据解决方法比其他对比方法有更好的m AP,说明该方法能提升YOLOv4-Tiny网络对具有长尾数据特征的野生动物数据集的目标识别性能。（2）深度学习在野生动物的识别方面取得了巨大的成功,但是原始野生动物数据集是数据不平衡的,这就导致某些数量稀少的珍稀动物识别性能差。为此提出了一种有效类别平衡损失函数（Effective Class Balanced Softmax Loss）。首先将网络输出用于拟合点互信息进行建模得到了一个新的交叉熵损失函数;然后将新的交叉熵损失函数和改进后的有效样本结合起来形成有效类别平衡损失函数;最终利用各种实验来证明方法的有效性。通过自采集数据集和三个公共数据集上的实验证明:提出的方法优于其他10种用于比较的方法。