我国生猪养殖产业中,猪只生长周期的判断对于猪只规模化饲养意义重大。在不同生长阶段对猪只进行管理、投喂是不同的,但现阶段通过给猪只佩戴耳标、无线电射频标签等方法实现对猪只的管理,极易造成对猪只的影响,引发猪只咬标、掉标等一系列状况。目前对于猪脸方面的研究大多针对猪只的五官特征,很少关注猪脸表面的纹理信息,而不同生长周期下猪只面部纹理信息的变化十分丰富,分形理论可以很好的描述纹理特征。针对这一问题,本文针对不同生长周期下猪只面部的分形维度特征进行分析,基于遗传算法（GA）对BP神经网络进行优化,结合各周期猪只面部分形特征对其生长周期进行判断;利用BP神经网络预测算法对各周期猪只面部分形维度特征值进行训练、预测,验证猪只面部分形维度特征随生长周期变化规律;利用BP神经网络分类算法对猪只面部图像生长周期进行判断,对比结合分形维度特征训练和未结合分形维度特征训练的分类结果,将结果与当下较为成熟的多尺度YOLO检测模型对生长周期的判断结果进行对比,进一步证明分形理论在猪只面部特征研究具有一定意义。本文主要工作内容及结论如下:（1）建立猪只面部数据采集系统,利用罗技C920 HD摄像头采集猪只面部数据。利用Open CV对采集的猪只面部视频数据进行分帧处理,以提取猪只面部图像信息,针对原视频每秒60fps的帧率,设置每秒截取一帧猪只面部图像,采用SSIM指数衡量每张图像之间的相似度,进行数据清洗,最后保留各生长阶段10只猪只面部图像数据7000张做为数据集。（2）因为要避免无关因素对分形维度特征的影响,利用贝叶斯算法对猪只面部图像进行背景去除,提取用于研究的猪只面部部分,然后对提取的猪只面部进行去噪,利用改进的Canny算法对猪只面部的轮廓进行提取,相比较传统的Canny边缘检测算法,考虑了45°与135°位于对角线方向上的偏导数,对于图像边缘的定位提取更加准确。（3）对猪只面部整体轮廓的分形维数进行计算,分析其周期变化规律,利用分形方向码方法提取猪只面部局部分维特征,利用BP神经网络预测模型及遗传算法（GA）优化的BP神经网络模型对分形维度特征值进行预测、对比,未优化前预测准确率为89.14%,优化后预测准确率为96.23%,验证不同生长周期下猪只面部分形维度生长规律。（4）利用BP神经网络分类算法,融合猪只面部分形维度特征对猪只面部生长周期进行分类判断,与未融合分形维度特征的分类判断结果对比分析,融合特征后判断准确率从71.66%提高到82.14%;利用GA优化的BP分类算法对猪面部图像进行分类,融合分形特征后,判断准确率从79.42%提高到91.23%。（5）利用基于多尺度YOLO检测模型对猪只面部生长周期进行判断,所得识别率达97.28%。与利用分形维度特征进行判断的结果进行对比,进一步证明分形维度在猪只面部研究的意义。