随着时代的发展,传统的特征提取和人工监测方法已经无法满足人们的需要,计算机视觉技术也因此有快速发展的势头。目前我国在养殖行业的问题主要是无法及时发现家畜的健康问题,导致大量家畜因为患有常见的传染性疾病而死亡,造成经济上的重大损失。运用计算机视觉技术既可以无接触地实现自动化识别,又可以减少人工,同时这项技术可以十分高效地对猪的采食行为进行识别,也能对采食猪只的身份进行准确识别。因此,使用计算机视觉技术对猪只的特征提取、身份识别以及行为识别具有十分重要的研究意义。本文提出了一种基于改进的光流法和深度学习的猪的采食行为及身份识别算法。本文的主要研究内容如下:（1）为了提高用光流法来对猪的采食行为进行识别的准确率,首先对分帧后的视频帧用对数变换、双边滤波、直方图均衡化三者相结合的方法来预处理,减少光照不均匀以及有噪声点所带来的影响,然后用层次分析法来粗提取关键帧,再用改进的粒子群-支持向量机（Improved particle swarm optimization-Support vector machine,简称IPSO-SVM）来进行精细化提取关键帧,这样就可以减少光流法操作的时间。SVM的改进之处主要在于采用了高斯-元素改良粒子群优化算法（Gauss-Elements Improved Particle Swarm Optimization Algorithm,简称G-EIPSO）来对SVM的惩罚因子和核函数的g参数进行优化。对提取后的关键帧用光流法进行猪只采食行为的识别,准确率达93.33%,召回率达97.46%,精确度达93.83%,高于普通L-K光流法和金字塔分层L-K光流法。（2）为了提取更好的纹理特征,采用改进的多分块绝对编码差值计算局部方向模式（Improved Multi Block Absolute Coding Difference Calculation Local Direction Pattern,简称MB-ACDLDP）来提取纹理特征,多分块的操作可以提取更多细节,绝对值差值操作可以减少提取过程的计算量。一张6*6的图片LBP提取的特征维度为6*6*256即9216维,CS-LBP提取的特征维度比LBP少因此会丢失细节,采用MB-ACDLDP提取的纹理特征维度为6*6*3*3*256/2即41472维,提取的信息量远远大于LBP以及CS-LBP,并且因为绝对值差分操作大大减少了计算量,为后续猪只身份识别提供好的基础。（3）为了提高对进食猪只身份识别的准确度,采用基于MB-ACDLDP特征和深度学习方法相结合的方法。MB-ACDLDP提取的是纹理特征,深度学习网络采用的是PIG-VGG16,PIG-VGG16网络是在VGG16网络的基础上添加了BN层和均值池化层,并采用了使用迁移学习的方法构成的猪只身份识别网络。网络中融入提取好的猪只纹理特征可以增加整个网络的丰富程度,对猪只纹理特征的敏感度提高,从而提高网络的识别精度,平均准确率达94.52%,而ALex Net网络平均准确率91.28%低于PIG-VGG16网络,Google Net网络准确率达94.89%略高于PIG-VGG16网络,但是整个处理速度却是PIG-VGG16网络的3倍,对于猪只身份识别,PIG-VGG16网络性价比最高。