目前,我国畜牧业呈现出规模化、集约化的发展趋势,采用人工的方式进行个体识别已无法满足需求,因此,需要个体识别系统进行现代化管理。近年来,基于射频识别(Radio Frequency Identification,RFID)技术的牛个体识别系统在一些养牛场得到应用,但RFID标签易损坏、丢失,且面临着信息篡改的风险。针对这一问题,本文提出基于牛鼻纹理图像的牛个体识别方法。牛鼻纹理作为生物特征具有唯一性,难以伪造修改,且图像识别系统成本低、速度快,可以获得显著的效果。本文主要工作如下:第一,本文提出了一种基于特征融合的牛个体识别方法,采用局部二值模式和韦伯局部描述符分别提取牛鼻纹理特征,由于提取的特征维数较大,因此采用主成分分析算法对两种特征降维,最后使用支持向量机采用交叉验证的方法对牛鼻纹理图像识别分类;本文对韦伯局部描述符方法的梯度方向计算部分作出了改进,使得识别效果有所提升;实验结果表明,基于特征融合的牛个体识别方法的准确率高于基于单一特征的牛个体识别方法,准确率达98.4%,并且该方法在图像旋转的情况下依然具有较高的鲁棒性。第二,在基于卷积神经网络的牛个体识别方法中,本文设计了一个CNN-12卷积神经网络模型。在卷积层后加入批量归一化层加快训练速度,在全连接层后加入Dropout层避免过拟合;并通过实验验证不同的池化函数、激活函数、优化器以及batch-size大小对准确率的影响,最终在本文自建的牛鼻纹理图像数据集上准确率达98.99%。第三,本文提出了基于迁移学习的牛个体识别方法,首次将迁移学习的思想应用于牛鼻纹理图像识别中,使用多个模型进行迁移学习的实验,并对模型进行调整优化。实验证明,迁移学习的方法具有很好的效果,准确率更高,训练时间更少,最终迁移学习方法中选择使用MobileNet模型,准确率达99.26%,模型体积较小,可以部署到手机端,便于实践应用。第四,由于牛鼻纹理图像没有公开的数据集,因此自建62类的牛鼻纹理图像数据集。在基于特征融合的牛个体识别方法中,将图像进行灰度处理,并使用限制对比度自适应直方图均衡化算法增强图像对比度,使图像更加清晰;在基于CNN-12卷积神经网络模型的方法以及基于迁移学习的方法中,将图像进行尺寸归一化处理,并使用数据增强方法扩充数据集。