为了提高我国的奶牛养殖技术,降低养殖成本,进一步解放牧场的劳动力。现有研究发现:奶牛发情和患病情况与奶牛的运动量有关,处于发情期的奶牛运动量是正常奶牛运动量的2倍。根据这一理论,研究者采用三轴加速度传感器进行奶牛计步和姿态等识别检测,但在识别精度上有待进一步地提升。因此,本论文提出了一种基于多特征融合的奶牛行为判别方法,该方法首先针对硬件传感器进行改进,为了更多地采集奶牛运动数据,本论文制作了一套九轴运动传感器节点。为了提高奶牛行为识别精度,本论文先对采集回的数据做预处理操作,然后设计了一种多标签链式GBDT+LR(Gradient Boosting Decision Tree+Logistics Regression)模型对处理后的数据进行学习预测分类。本论文设计的模型可以实现对奶牛的站立、静卧、采食、慢走、爬跨和快跑六种姿态识别。论文主要工作如下:1.设计制作一套奶牛数据采集装置,该装置主要包括九轴运动传感器(三轴加速度、三轴角速度、三轴角度)、ESP8266 WIFI模块、SD卡模块、STM32F103RCT6控制器模块,完成奶牛九轴运动数据及同步实时时间采集、存储工作。另外,设计了一款基于安卓的时间同步录像机软件,用于对奶牛视频数据采集。2.将采集回的奶牛运动视频数据以时间轴为参考,对运动数据进行第一次标定,打上姿态标签,并将9维数据衍生至57维,同时针对数据不平衡问题,对数据进行平衡采样。为了提高模型的准确率,本论文不直接对六种姿态进行分类,而是再添加一级标签(静止、小幅动作、大幅动作)对奶牛行为姿态进行二次标定并归一化处理,最后利用递归特征消除法从57维特征中选出最优秀9维特征。3.利用上述处理好后的数据,设计一种多标签链式GBDT+LR模型进行学习预测,并通过逻辑回归、决策树和梯度提升决策树做对比实验,实验结果表明,本论文设计的多标签链式GBDT+LR模型对奶牛六种行为姿态平均识别率为93.9%,高于对比实验算法。另外,本论文最后也初步验证了奶牛的发情状况与奶牛的行为姿态有关。