金丝猴面部识别是金丝猴行为识别研究的重要前提,但基于金丝猴面部特征的个体身份识别面临诸多挑战,包括:不同金丝猴个体面部特征的相似性大以及新个体身份难以准确标记和识别等。为此,本文提出了分级集成网络（Hierarchical Ensemble Networks,HE-Nets）以及基于孪生网络和深度特征聚类算法的自监督新个体识别算法（Self-supervised New Individual Recognition,SS-NIR）。主要研究内容如下:（1）针对不同金丝猴个体的面部特征相似性大,导致传统识别算法难以准确识别的问题,本文受人类识别目标的基本原理启发,提出了基于HE-Nets的猴脸识别模型,HE-Nets是由多个子网络组成的多层级集成网络模型。网络模型初始为数据集中的每个类别都赋予一个权值,且每张图像与其对应类别的权值相同;而在训练过程中,子网络将根据验证数据集的预测结果,提高该子网络识别错误图像的权值,降低识别正确图像的权值。权值更新后的图像用于训练下一个子网络,而权值的更新则会使得下一个子网络更加关注识别错误的图像。HE-Nets很大程度上解决了传统算法由于未考虑图像识别难度存在差异而产生计算资源浪费的问题,且模型中设计的三元组损失函数也很好地解决了不同金丝猴面部相似性大的问题,最终得到了更加优越的识别性能。（2）对于金丝猴新个体识别问题,新个体的图像数据无法利用传统个体识别模型直接进行识别,需重新进行标记并更新网络参数,耗时耗力。本文提出了SS-NIR以解决金丝猴新个体的身份识别问题。新个体由于缺少标签信息,单纯依靠网络自身学习能力进行识别,效果不理想。为此,SS-NIR利用带标签数据集的先验知识,学习并发现带标签数据中哪些特征可以很好的构成一个簇,以此可以减少无标签数据聚类的模糊性。本文首先利用孪生网络结构训练深度神经网络作为特征编码器,学习带标签数据的特征分布。接下来利用带标签数据集的先验知识估计新金丝猴个体的数量。实验表明类别估计值与真实值误差小于3。在加入估计的个体数量后,最后利用ResNet-50与K-means交替训练的方法对新的金丝猴个体数据进行聚类,以此完成新金丝猴个体的身份识别。最后将聚类结果中准确率高的个体加入原有金丝猴数据集中。