伴随着养猪业自动化与智能化需求的不断提高,融合人工智能的智能监测技术正成为新的应用方向,越来越多的科研人员着手开展了相关研究。由于传统养猪业中主要依靠人工观察来发现生猪异常,不仅耗时耗力,且受饲养员主观因素影响,准确性较差,同时人员的活动会引起生猪应激反应,不利于生猪健康成长。因此,将人工智能算法与智能监测技术相融合,替代传统的人工观察方式,实现对生猪的状态监测十分重要。针对此问题,本论文利用智能算法初步实现了生猪典型声音与姿态的有效分类识别。最后设计了一套基于MATLAB＿GUI的监测软件,通过调用声音和图像识别算法对生猪状态进行监测。本论文所做工作如下:（1）通过定向拾音器和枪式摄像头采集生猪声音与图像。由于猪舍环境复杂,存在较多噪声,本文分别对声音和图像进行预处理,采用维纳滤波和改进小波阈值去噪法对声音信号进行降噪,选择降噪效果较好的样本继续进行端点检测与分帧加窗等预处理;对图像采用双边滤波进行图像增强,并使用大津法分割出目标猪只轮廓,最终基于形态学处理得到生猪二值图像。（2）为从生猪的声音中判断其异常状态,研究了一种生猪声音异常识别算法。该方法首先提取了生猪声音信号特征参数,包括短时能量、短时过零率和梅尔频率倒谱系数等特征参数。而后基于生猪声音信号的特点,选择不同的特征组合分别建立一维卷积神经网络模型和DE-VRF模型。通过实验对比分析,特征经过PCA降维之后,DE-VRF模型识别效果最好,达到96.76%。（3）为更好的识别生猪的姿态,研究了一种基于烟花算法优化ELM的生猪姿态识别算法。该方法首先提取生猪7维Hu不变矩和4维灰度共生矩阵进行特征融合。而后利用烟花算法对极限学习机的隐含层偏置与权值进行优化,最终将11维特征量输入FWA-ELM模型进行识别。通过实验对比分析,FWA-ELM识别率达96.89%,高于DE-ELM、PSO-ELM等模型。（4）采用MATLAB＿GUI为工具平台,开发具有生猪声音识别和生猪姿态识别功能的软件,通过调用算法实现各个模块的功能,最后对所研究的算法进行初步测试。