哺乳母猪姿态转换的自动识别能为仔猪踩压预警和母性行为特征研究提供基础信息。在商业养殖的自由栏场景下,自然光线的昼夜变化、热灯干扰、母猪姿态转换过程中姿态的不确定性和身体的形变,以及仔猪与母猪之间的粘连和遮挡,严重影响基于计算机视觉的母猪姿态转换识别精度。本文针对这些困难,利用目标检测-跟踪-行为分析的思路,研究母猪姿态转换的自动识别。本文通过Kinect V2.0相机采集自由栏场景下全天候的哺乳母猪RGB-D数据,设计母猪姿态转换识别方法,包括基于Faster R-CNN和HMM的识别方法以及基于DCP R-CNN和CNN的识别方法,并将数据采集、视频帧预处理、姿态转换自动识别等功能进行集成,设计一套能应用于实际生产的母猪姿态转换识别系统,实现了全天候的母猪姿态转换识别。本文的主要研究内容与创新具体如下:（1）哺乳母猪数据集的建立。本文使用Kinect V2.0采集自由栏中哺乳母猪的深度视频。为训练模型及评估本文方法最终的泛化能力,本文将采集到的数据划分为训练集和测试集,并分别构建Faster R-CNN、HMM、DCP R-CNN和CNN的训练数据和测试数据,以及本文方法整体的测试集。其中Faster R-CNN模型共包含36702张训练图像以及3863张测试图像,HMM模型共包含160段训练视频和120段测试视频;DCP R-CNN模型和CNN模型共包含325段训练视频和143段测试视频。本文方法整体的测试集为2段未剪切视频,视频长度分别为28 h 40 min和37 h。（2）提出基于Faster R-CNN和HMM的姿态转换识别方法。该方法首先通过Faster R-CNN产生候选区域和姿态序列,根据姿态序列在滑动窗口内的变化频繁程度检测疑似转换片段,并采用维特比算法构建疑似转换片段的定位管道。在定位管道中,通过Otsu分割和形态学处理提取母猪身体各部分的高度序列,由HMM识别姿态转换。研究结果表明:当交并比阈值为0.7时,母猪的定位准确率为82.93%。HMM能有效地从疑似转换片段中识别出姿态转换片段,准确率达95.83%。该方法对8类姿态转换识别的平均精度为93.10%、召回率为87.86%。在识别速度方面,借助多线程并行技术进行优化,该方法的识别结果会滞后实际1至2 s。（3）为进一步提高姿态转换识别算法的准确性,本文提出基于DCP R-CNN和CNN的姿态转换识别方法。该方法首先设计了基于3D卷积核的DCP R-CNN模型,该模型能利用连续帧之间的时序相关性,提高母猪检测和姿态分类的性能。针对Faster R-CNN的姿态分类结果会对母猪检测产生影响的问题,DCP R-CNN创新性地将检测与分类任务解耦,以大幅提升模型在母猪姿态转换过程中的检测能力。其次,针对基于Faster R-CNN和HMM的识别方法时间定位精度较低的问题,该方法设计了概率方差特征,以表征母猪身体形变的剧烈程度,并通过由粗到细的方式定位姿态转换的起始和结束帧。再者,该方法选择将首尾帧和DMM图像作为CNN姿态转换分类网络的输入,使得网络能更加有效地提取疑似转换片段的时空特征。最后,以Caffe Net为基础,设计了姿态转换分类网络,该网络先分别提取DMM图像和首尾帧的特征,再于Pool3层对两种图像的特征求和融合,并输入全连接层进一步提取特征和分类。研究结果表明:当交并比阈值为0.7时,母猪的定位准确率为96.40%;CNN姿态转换分类网络的准确率为97.90%。该方法对8类姿态转换识别的平均精度为93.53%、平均召回率为90.00%,与基于Faster R-CNN和HMM的识别方法相比,平均精度和平均召回率分别提高了0.43个和2.14个百分点,但计算复杂,识别速度较慢。（4）将本文提出的方法进行封装,设计一套能应用于实际生产的软硬件一体化哺乳母猪姿态转换识别系统。该系统采用Kinect V2.0相机、联想（Lenovo）威6 Pro笔记本电脑和西部数据WESN移动硬盘等作为硬件设备,通过Pycharm、Microsoft Visual Studio 2013等软件,实现了视频采集、视频帧预处理、方法选择及调用、姿态转换自动识别、结果显示和数据统计等用户需求。