猪的行为视觉感知已成为精准畜牧养殖领域的研究热点。哺乳母猪姿态能够为母性行为特征和规律研究提供基础信息,是母猪母性行为评价的重要指标。而依靠人工现场或视频观察其姿态耗时费力且主观性强,研究基于计算机视觉的母猪姿态自动实时识别技术,不仅降低工作人员的劳动强度和养殖成本,而且能及时的发现母猪的异常姿态,从而采取相应的措施。但由于RGB图像容易受到外界光照、阴影等因素变化的影响,本文以Kinect传感器获取深度图像,建立了母猪姿态深度图像库,研究了基于深度图像的母猪检测算法,并在检测得到的目标区域基础上,研究了基于深度卷积网络的母猪姿态自动识别算法。本文的工作主要包括如下几个方面:母猪姿态深度图像库的建立。在分析哺乳母猪姿态基础上,以Kinect传感器垂直向下的角度,采集母猪深度图像。针对母猪深度图像中存在大量噪声的问题,采用中值滤波方法,在去除图像噪声的同时保持图像的细节信息;进而利用限制对比度自适应直方图均衡化,提高图像中母猪与背景对比度,从而得到更高质量的母猪深度图像。然后根据母猪行为特征,定义了母猪的五种不同姿态。最后对母猪目标和姿态类别进行了人工标注,构成母猪检测与姿态识别的样本库。深度图像中母猪检测算法研究。母猪不同姿态身体外观变化较大,给目标检测带来了较大困难,本文研究了一种混合可变形部件模型的母猪检测方法。通过模型结构反复调整,获得了最优的母猪检测混合可变形部件模型,该模型集成了4个不同的可变形部件模型,其中每个部件模型均包含7个部件滤波器模型。然后通过对模型的优化,在保持检测准确率的同时,使得平均检测时间缩短5倍。最后通过实验证明,该方法可以较好地检测到图像中的母猪,准确率达到93.3%,比基于HOG+SVM的检测算法高18%。母猪姿态识别与分析算法研究。利用AlexNet卷积神经网络,进行了网络结构调整和参数优化,以适应在猪舍场景下母猪姿态的识别。实验结果表明,调整后的网络结构对母猪姿态识别的准确率达到97%,表明了基于AlexNet网络的母猪姿态识别模型的有效性,并通过对比表明其识别性能优于传统的模式识别方法。最后,选定一段母猪姿态变化较为频繁的时间片段,对母猪的姿态统计分析,通过和人工姿态统计的结果进行对比,进一步说明了本文识别算法的有效性。