现如今,机器学习、人工智能等技术逐步与畜牧业相结合,推动了智慧畜牧业的高速发展。在智慧畜牧业领域中,针对奶牛等反刍动物的研究尤为广泛。反刍时长可以反映出反刍动物的健康状况。因此,如果能实现对奶牛反刍行为的识别检测,就能及时发现反刍异常的奶牛,让患病的奶牛及时得到治疗,避免牧场的损失。本文针对音频数据、视频数据等类型的数据具有的提取困难、噪声多、模型对其识别结果不理想等问题,基于奶牛的活动量数据和神经网络领域的算法知识,旨在实现对奶牛反刍行为的识别。首先,本文设计并实现了活动量数据采集系统,采集系统由活动量采集器、通信网关和云平台组成,通过该数据采集系统,成功采集得到最小时间颗粒度为一分钟的25头奶牛总数超50万条的活动量数据。其次,以峰峰值作为特征值对活动量数据进行特征提取,并使用K-means、BIRCH等无监督聚类算法和PCA、t-SNE等降维算法获得反刍状态标签,经过对比后选择效果最优的K-means+PCA模型获得标签,将多分类标签修正为二分类标签后,完成对活动量数据的预处理工作。最后,分析了奶牛反刍行为具有的时序关联性,设计了基于长短期记忆网络（Long Short-Term Memory network,LSTM）的奶牛反刍行为识别算法模型,确定了合适的网络结构和参数,加入Softmax层以获得分类的概率分布,并对模型进行测试。测试结果表明:奶牛反刍行为识别算法对不同的数据集划分方法的识别结果不同,对拆分单体奶牛数据的划分方法的识别正确率为94.30%,对随机选取奶牛个体的划分方法的识别正确率为96.27%;当使用相同的测试集时,基于LSTM的奶牛反刍识别模型的识别正确率（96.27%）比基于传统RNN的奶牛反刍识别模型的识别正确率（92.89%）更高;基于LSTM的反刍识别算法识别得到奶牛在数据时间段内的平均单日反刍时长,反刍时长作为判断奶牛健康的依据被反馈给牧场工作人员,验证了本次设计具有一定的可行性,为智慧畜牧业相关领域的进一步研究提供新的依据与思路。