近年来我国生猪养殖规模不断扩大,群养猪饲养的监管模式趋向于信息化。而在大规模养殖环境下猪瘟等疾病时常发生,猪厂对饮水、采食等卫生状况要求也相应提高。计算机视觉方法能够很好的应对规模化养殖中饮水猪只的图像处理、身份识别等问题,该技术不仅可以做到无触碰式的自动化识别,而且可以有效降低养殖成本,高效检测出猪只的饮水状况。因此通过计算机视觉技术加深对猪只的前景提取、行为识别、身份识别等研究是有重要意义的。本文提出一种基于固定区域的饮水猪的身份识别方法。针对于传统图像算法对俯视群养猪的整个运动区域进行特征提取维数过多,且猪在运动中的非刚性特性会引起体型变化,导致特征提取不同的问题,本研究通过多尺度空间在饮水区域进行分块划分,对多种特征融合优化后在集成学习环境下进行身份识别的方法。主要研究成果如下:为得到有效的饮水猪只数据集,本文对获取到的视频进行分帧处理。对分帧后的图像进行预处理以作为提取特征和身份识别的数据集。首先采用结构相似性阈值筛选出符合条件的图像,使用自适应直方图均衡化与双边滤波算法提高图像清晰度,同时对图像进行降噪平滑。其次在图像中划定饮水区域,利用全卷积网络（FCN）对饮水区域猪只进行分割,得到饮水区域猪只的完整图像。本文在识别出猪只具有饮水行为后,提取出多种身份特征并进行融合优化。首先通过HOG特征对饮水区域进行分块划分,得到像素划分的基本单元与子块。构建多尺度特征空间,寻找出最佳滑动尺寸。其次根据基本单元和滑动尺寸提取HOG特征、NMB-LBP纹理特征、HSV颜色特征,对其特征直方图进行融合优化,最大程度保留有效识别信息。实验表明与其他划分方式相比基本单元选取9*9像素,滑动尺寸为2*2基本单元时,识别精度最佳。本文构建堆叠式两层stacking集成学习框架,将KNN分类器与SVM分类器作为基学习器,人工神经网络ANN作为元学习器,将基学习器预测的结果进行加权合并,以此作为新的特征输入到元学习器中,输出最终的识别结果,进一步提升猪只身份识别的准确率。实验结果表明stacking集成学习模型对饮水猪的分类正确率达到92.66%,分别比K近邻分类器和SVM分类器的单一分类模型高出5.87%、4.35%的精度。