近年来,我国的生猪养殖行业向着集约化、规模化、规范化发展。猪只盘点在集约化养猪养殖中是管理中重要的一环。传统的人工计数的方法较为费时费力,且在猪只数量较多时容易计数出错。采用非接触式的机器视觉方法对猪只数量进行估计,可以减少人猪之间的直接接触,提高猪只福利,同时使计数过程更加高效,有助于提高养殖效益。在此研究背景下,本文对高密度猪群计数方法开展研究,以二元杂仔猪为研究对象,采集猪群图像,使用深度学习的方法搭建了多尺度感知网络,得到猪只计数网络,估算猪群的空间分布,对高密度猪群图像中的猪只进行计数。本文主要的研究内容如下。（1）采集了高密度猪群图像,编写自动图像标注代码与高斯密度图生成代码。本文于集约化猪场的赶猪通道采集猪群图像,拍摄不同情况下的RGB猪群图像;编写图像标定程序,对猪群图像进行标注,以坐标点的形式存储猪只的真实空间分布信息,生成初级标签文件;对初级标签文件处理,编写高斯密度图生成代码,对标签文件中的每一个坐标点进行高斯卷积,并将标签中的多个坐标点平滑化,生成猪只密度图,作为输入卷积神经网络的标签。（2）采用空间金字塔池化结构完成对图像中的多尺度特征的提取,感知猪群图像中的连续空间尺度的变化。在网络中加入不同尺寸的空间金字塔池化层,自适应提取准确预测密度图所需的上下文信息,感知图像不同尺度的特征;使用特征融合网络将得到的不同尺度特征进行融合。对比不同特征融合方法和不同网络尺寸,并进行测试。测试结果表明,在使用了空间金字塔池化层后,模型识别精度得到了显著提高。采用空间金字塔池化结构作为中间部分,改造前端和后端网络,建立猪只计数网络PCN（Pig counting net）。PCN采用改进的VGG16网络作为前端网络提取特征,中间层采用3层空间金字塔结构对图像中的多尺度信息进行提取,采用并行结构将特征信息进行融合,后端网络采用改进的膨胀卷积网络,并对后端网络的不同膨胀率进行对比。测试表明,后端网络的改进扩大了网络感受野,得到更精确的预测密度图,对密度图积分实现准确的猪只计数。（3）对PCN猪只计数网络进行验证试验,与其他计数模型进行对比。在平均猪只数为40.71的测试集图像上,PCN的准确率优于人群计数网络MCNN、CSRNet和改进Counting CNN的猪只计数网络,计数误差MAE和RMSE分别为1.74和2.28,表现出较好的准确性和鲁棒性。PCN对单张图像平均识别时间为0.108s,满足计数算法的实时处理要求,对正常、光照不良、透视失真的猪群图像也能够进行精准计数。