精准畜牧是提高畜禽生产效率、提升动物福利、优化饲养环境和饲料供给的精细化养殖理念和方法,可以在源头上保障食品安全、缓解环境污染,对经济、社会和环境等方面的都有巨大的应用价值,是优化升级集约型畜禽生产和解决我国畜禽生产“大而不强,多而不优”潜力巨大的技术手段。本研究针对目前精准畜牧中机器视觉监测方法对复杂动态背景目标检测和目标跟踪算法精度低、非平衡数据建模方法准确性低、畜禽动物行为识别模型鲁棒性和适应性差等问题,采用计算机视觉技术、机器学习技术以及多传感器融合技术,按照需求分析、算法提出、量化评估、算法验证与实践应用的研究思路,开展了动态背景环境的目标检测算法研究、多目标跟踪算法研究、高密度饲养条件下的感兴趣区域提取研究,对不同饲养环境下递归式监测个体表型和行为信息提供技术基础。在此基础上,开展了动态背景环境下的行为识别方法研究和群养环境下个体间交互行为建模方法研究,为在线、实时、无损感知畜禽动物表型信息和复杂行为模式提供新方法、新思路和新途径。论文的主要工作和结论如下:(1)提出了改进混合高斯模型的移动目标提取算法。针对畜禽养殖场背景复杂和环境多变导致现有的目标检测算法无法满足鲁棒性和实时性需求的问题,基于递归背景建模思想,在混合高斯模型中引入惩罚因子,改进并提出了一种动态背景建模方法,并采用局部更新策略,以降低模型复杂度和解决前景消融问题;提出基于色度偏差和亮度偏差的二分类算法,避免目标物阴影区域的影响。对不同天气及环境变化剧烈下获取奶牛视频样本进行试验,结果表明,与混合高斯模型对比,平均模型复杂度降低了50.85%、前景误检率和背景误检率分别降低了19.50%和13.37%,单帧运行时间降低了29.25%,检测准确率更高、实时性更好,且解决了前景消融问题,能满足实时提取复杂背景和环境条件下移动目标检测需求。应用该方法在商业养殖环境下开展奶牛自动体况评分研究:(1)采用改进的混合高斯模型递归式获取奶牛的外轮廓并建立三维坐标系,为准确提取奶牛体表几何特征奠定基础;(2)设计了与人工评分指标对应的图像特征,并进行相关性分析;(3)使用集成学习算法解决常见奶牛BCS数据集呈偏态分布问题。交叉验证结果表明,改进混合高斯模型和集成模型的识别准确率与人工评分相当,达到76%。与现有其他技术相比,该系统在动态背景环境下鲁棒性更强,对极端体况奶牛具有更好的预测性能,符合实际应用需求。(2)提出了基于ALR-GMM的动物行为识别模型。针对经典活动指数行为识别模型在动态背景环境中适应性差的问题,基于递归背景建模思想,提出了一种新的活动指数计算方法。采用GMM建立动态背景模型,克服传统活动指数计算方法无法适应环境变化问题;针对GMM模型学习率无法对不同图像区域进行差异化更新的问题,引入双曲正切函数(Tanh函数)自适应调节模型学习率。在人工标记图像上的测试结果表明,当初始学习率?=0.2时,ALG-GMM算法略优于背景减法,平均绝对误差从0.0265降低到0.0233,平均相对误差从18.08%降低到14.34%,表明该算法在计算精度指标上达到需求。为了验证该方法的有效性,开展了蛋鸡对寄生虫胁迫的行为响应研究和群养猪对环境胁迫造成的攻击行为识别。结果表明,蛋鸡活动指数与红螨虫入侵数量呈正相关性,监测蛋鸡活动指数可为精准杀虫提供可靠依据;基于活动指数的育肥猪攻击行为识别准确率达到97.6%,满足实际应用要求。(3)提出了基于CNN和LSTM的动物行为识别模型。针对现有畜禽动物行为识别模型只能有效表达快速动作,在群养环境中无法准确获取个体动物的行为时-空特征的问题,提出了一种基于检测的多目标跟踪算法和基于CNN和LSTM的动物行为时-空特征描述方法。为验证算法有效性,首先设计跟踪精度指标量化评估算法性能,然后采集繁育母猪姿态数据验证卷积神经网络(CNN)对空间特征表达能力,最后采集群养猪咬尾视频数据集验证长短期记忆周期网络(LSTM)对时间特征表达能力。试验结果表明:多目标跟踪算法跟踪精度为78.35%,能够精确跟踪92.97%的目标猪,达到精度要求;CNN对母猪趴卧、侧躺、后坐、站立四种基本姿态的平均分类准确率为88.1%,表明卷积特征对动物行为空间特征具有良好的表达能力;CNN+LSTM对咬尾行为识别准确率达到96.25%,表明其对动物行为时间特征具有良好的描述能力。(4)提出了一种融合彩色和深度数据流的目标提取算法。针对目前缺乏高密度家禽饲养场所的目标提取方法,研究并提出了一种融合彩色和深度数据流的感兴趣区域提取算法。该方法在RGB数据流和深度数据流配准的基础上,从深度图像的距离信息中定位感兴趣区域,在彩色图像中提取目标物的颜色、纹理、形状和空间关系特征。为验证方法有效性,开发了基于Kinect的肉用种鸡自动称重系统,在商业化养殖条件下进行个体种鸡体重数据和性别信息的获取,试验结果发现,该方法目标定位准确度为77.3%,性别分类模型的准确率、灵敏度、精确度和特异性指标分别达到99.7%、98.8%、100%和100%,满足实际应用需求。为优化种鸡饲养过程,最大化产蛋量和受精率提供有效工具。