近年来,在产业智能化转型升级国家战略的推动下,社会各行各业都在加速改革传统产业,为中国经济寻求新的增长点。其中,智能化养殖亦与发展战略同行,通过互联网、大数据及人工智能等技术的应用,促使养殖业走向科学化、集约化、精准化。智能养殖业的发展导致对动物身份识别的需求日益增加,同时,动物的可追溯性也受到动物对质量控制和福利管理需求的驱动。现阶段的鹿身份识别主要通过RFID技术实现,该方法在实际应用中存在许多弊病。一方面,电子标签需要附着在动物表面或者嵌入体内,会给鹿带来极大痛苦,且耳标等物理介质的易丢失性为鹿场增加了管理成本。另一方面,该技术本身受限于距离、环境等因素制约,为识别增加了一定的复杂度。鉴于以上因素,本文利用非接触式的深度学习方法,提出了一种采用目标检测的鹿脸识别方法,能够自动提取鹿脸图像中的高维抽象特征,对鹿进行身份登记,为进一步实现鹿信息溯源、自动监控奠定了基础。本文的主要工作包含三部分:首先,通过人工实地采集获得鹿脸视频数据,制作鹿脸数据集。为保证模型的鲁棒性,在不同光照条件下采集了不同角度的51只鹿的视频数据,并对视频进行分帧处理,再使用SSIM算法对图像进行清洗,最终构建了用于检测与识别模型的鹿脸数据集。其次,采用YOLOv4目标检测算法进行鹿脸检测,对输入的图像判断是否包含鹿脸,若包含则需给出鹿脸的定位框。根据定位框裁剪出只包含脸部区域的图像,去掉了鹿舍背景等干扰因素,使模型更关注于脸部信息。最后,构建了DFRNet（Deer Face RecognitionNetwork）鹿脸识别网络,该部分内容是本文的核心工作。DFRNet网络以ResNet18为主体框架,引入组合通道注意力和位置注意力的CC-SE注意力机制,用以提取表示能力增强的鹿脸特征。CCSE注意力机制是本文提出的一种具有通道依赖关系和空间位置信息相关性的混合注意力结构,综合考虑了鹿脸的眼睛、鼻子、嘴等关键点特征与毛发、纹理等面部特征对识别结果有不同重要程度的影响以及鹿的面部特征之间的相关性。为了验证所提出DFRNet算法的有效性,将其应用于自行构建的原始多角度鹿脸数据集和增强多角度鹿脸数据集上进行实验。结果表明,所提出的模型在原始多角度鹿脸数据集和增强多角度鹿脸数据集的测试集上分别达到93.69%、95%的识别准确率。DFRNet相比ResNet18、ResNet50、ResNet101网络作为特征提取网络,在识别准确率、假阳性率、假阴性率三种指标上均有不同程度的提高。本文通过YOLOv4目标检测模型定位鹿脸,并基于提出的CC-SE结构构建了结合注意力机制的DFRNet鹿脸识别模型,将检测模型的结果裁切出来输入到识别网络,进而完成鹿脸的自动检测与识别。论文所提出的方法有很强的实际应用背景,并且对于其它动物面部识别具有较好的适应性。