传统对于猪的活体识别一般采用RFID技术,但采用电子耳标和耳牌的方法会对猪造成很大的痛苦,并且耳标耳牌在猪的活动过程中容易脱落,带来识别困难及成本的增加。由于猪只的个体面部相似度高以及猪场环境等非线性因素影响,对于如何在非线性因素影响的情况下准确识别猪的个体身份,近年来在计算机图像识别领域的深度学习技术为这个问题提供的一种新的解决途径。深度学习中的卷积神经网络可以从大量数据中自动提取图片特征完成端到端的图像学习过程。本文阐述了猪脸识别的研究背景和发展现状,概述了CNN的相关基础理论。通过收集大量猪脸图片数据以及利用Image Data Generator进行数据增强,在深度学习网络框架Keras下训练神经网络模型。对经典的网络模型LeNet-5进行改进,研究训练参数的设定对模型准确率的影响。针对模型训练过程中训练时间过长以及过拟合现象的发生,引入迁移学习finetuning的思想。具体主要工作如下:1.构建猪脸识别数据集PFR-1,通过数据增强技术得到扩充后的数据集PFR-2。该数据集共有十类猪脸图片,共3000张,以8:2比例分为训练集和验证集。通过对比实验的结果可以看出数据增强能够明显缩减模型在训练集和验证集准确率上的差别,一定程度上减轻了过拟合现象的发生。2.构建多层卷积神经网络,基于LeNet-5的卷积神经网络模型改进,通过多组对比实验确定模型的参数设定,以Maxpooling为池化层,增加Dropout层,并采用Softmax分类,最终确定模型的卷积核大小为3×3,激活函数为Re LU,Dropout比例为0.3以及SGD优化器。模型在训练集准确率为97.63%,验证集准确率为88.50%。3.使用迁移学习技术训练神经网络模型。利用在ImageNet数据集上训练好的VggNet-16、Inception-V3和ResNet-50模型,通过迁移学习微调（finetuning）冻结模型卷积层,只训练全连接层,通过对比实验看出VggNet-16模型在验证集上的准确率更高,更适用于本文数据集。4.对VggNet-16模型进行改进,结合在类间的分类效果上优化更好的AM-Softmax分类函数,得到在惩罚力度m在0.3时过拟合程度最低的神经网络模型,该模型在验证集上的准确率达到98.80%。最后通过特征图可视化展示模型在不同卷积层逐步提取到的从底层到高层的不同特征,了解卷积神经网络在不同卷积层的特征处理过程,体现了卷积神经网络在图像特征提取中的独特优势。