计算机视觉技术在畜禽目标检测与跟踪和畜禽行为分析与理解等相关领域的研究已取得重大突破,但缺乏针对夜间环境下牛的行为分析的相关研究。夜间的牛行为分析研究,由于数据采集条件的限制以及任务自身的复杂行和综合性,在数据预处理、牛的目标检测与跟踪、牛的行为分析方面还存在一些问题,针对这些问题,本文提出一种基于MobileNetV3与运动轨迹的夜间牛行为分析方法,通过对增强后的畜棚内夜间图像进行目标检测、跟踪及行为分类,实现对夜间牛的基本行为的分析与统计,为牛的管理提供有效的指导信息。本文主要研究内容如下:（1）基于暗通道去雾理论的夜间红外图像增强方法传统图像增强算法往往需要具体应用场景来确定变换函数或参数,变换处理不灵活且稳定性较差,在减小噪声和增强细节纹理方面难以达到平衡的效果;而基于深度学习的图像增强方法需要增强前后配对的数据集,而牛舍场景所对应的配对图像数据集比较难以获得,同时生成的图像又容易混入噪声信息,会干扰机器判别。为实现夜间牛舍红外图像增强,本文分析了红外图像的成像原理及特点,提出一种基于暗通道去雾理论结合分段线性拉伸的夜间红外图像增强方法,该方法能稳定有效地对采集的夜间红外图像进行增强。（2）基于YOLOv4与Deep SORT的夜间牛目标检测与跟踪方法。基于目标运动特点的目标检测与跟踪方法,在养殖场复杂环境下可能会错误检测或跟踪到其他运动目标;基于深度学习的目标检测与跟踪方法要求先获得检测模块,需要自行针对特定场景构建数据集。为实现镜头中的牛多目标检测与跟踪任务,本文构建牛舍场景数据集训练YOLOv4目标检测模型,并以YOLOv4检测器作为检测模块实现基于Deep SORT的多目标跟踪。（3）基于MobileNetV3与运动轨迹的夜间牛行为分析研究。已有的行为分析研究,通常局限于笼统地识别或检测某类行为,没有针对镜头中的某一具体目标进行行为分析研究,整个研究过程是围绕于某个镜头下的所有目标进行的。为实现对镜头中具体的牛目标的行为分析研究,在对牛完成多目标跟踪的前提下,提出一种基于MobileNetV3分类器结合目标运动轨迹的行为分析方法,该方法能有效地对牛的四种基本行为进行有效的分析研究,最后搭建夜间牛行为分析监控平台。