为监控猪的行为，本文分析了视频帧图像中目标猪与周围背景特征的差异，从中提取出猪的二值轮廓图。对猪的正常行走、低头行走、抬头行走、躺卧这四种姿态提取Zernike矩特征，采用支持向量机方法对猪的四种姿态进行识别。　　针对猪场中恶劣的环境，为了更好的识别，必须对视频帧进行预处理。提取猪的轮廓是预处理的关键，采用小波模极大值边缘检测法进行图像边缘检测，这种方法可以检测到图像边缘的细节，但是得到图像的边缘点不能完全连续而且很难把图像的很多零碎边缘点的高细节区域提取出来。针对图像边缘不封闭的问题，选用边缘生长法使图片中不连续边缘点连接问题和通过找出其中高细节区的周围的区域，从而间接地把图像中高细节区围成一个区域，使边缘点形成封闭的边缘。此时的图像仍存在噪声的干扰，为了除去噪声，采用用二值形态学处理去噪，从而提取出原始图像中猪的二值轮廓图像。　　目标猪的四种姿态差异较小，为了防止由于图像信息提取不足引起误识别，采用Zernike矩的提取特征，利用其正交性和矩不变量，并且在特征提取时保证了信息量，克服了不变矩提取的图像特征信息有限的缺陷的问题。针对视频中目标猪的大小和位置的的不断变化的问题，而Zernike矩只有旋转不变性，所以采用标准矩的方法，对猪的二值轮廓图进行平移和尺度的归一化，提取归一化后的图像的Zernike矩特征。　　为了识别多类猪的问题，本文采用支持向量机分类方法，而支持向量机属二元分类器，所以采用一对一的投票策略将支持向量机应用到多类模式识别问题。针对特征空间维数较多，防止在求解最优化解的问题和计算决策函数时出现维数灾难，选取高斯径向基核函数增强分类器计算能力。为了解决RBF核自身的参数γ以及错误代价系数C不能确定的问题，采用基于交叉验证和网格搜索对支持向量机的参数选进行参数优化。试验结果证明，将支持向量机应用到猪的姿态分类问题上，使得Zernike矩特征更加有效，识别精度达到95％以上。该项研究对猪场中及时发现异常猪并且对其隔离治疗具有显著价值。