为了提高对于猪舍科学养殖的水平，提升猪的健康状况，本文提出了一种将监控设备和图像识别技术有效结合的方法，实时的监控猪舍内猪的异常行为，保证猪的健康生长。　　本论文主要的研究分为三大部分，第一部分是对于研究对象猪轮廓的提取，第二部分是关于小波矩构造的方法，并将小波矩应用于研究对象，最后一部分是将概率神经网络分类器应用于对猪姿态的识别。　　为了能够实时监控猪舍内猪的行为，本文根据研究对象的环境进行了分析，了解了目标对象和周围环境的差异性。利用蚁群算法对目标对象进行边缘检测，主要是利用了蚁群算法的鲁棒性比较强。可是事实上，因为在猪场内存在关照分布不均匀、猪粪便以及环境偏暗等问题，有时候使得检测的图像边缘可能会有少许的间断点。总结上述一些研究过程中遇到的问题所带来的轮廓边缘不连续的情况，提出一种基于形状的边缘连接方法。经过边缘连接之后的轮廓图像会产生一些伪边缘和噪声干扰，再进一步采用数学形态学方法进行处理，从而得到我们所希望的猪多种姿态的二值轮廓图，这样就完成了本论文的第一部分研究内容。　　经过对猪的正常行走、抬头行走、低头行走和卧躺这四种姿态的研究，经过分析研究知道，猪动作的重复度很高，而且不同动作的相似性也很高。如果通过HU矩、Zernike矩这些传统的不变矩进行猪只轮廓特征的提取，对于相似度比较高的动作很难区分，分类精度会比较低。本文提出使用小波不变矩概念，顾名思义，小波不变矩同时具备小波多尺度分析和传统不变矩的优点，所以将小波分析用于所构造出的小波矩，这样对于局部细节分析能力将变得更强，而且小波基的种类有许多种，可以根据特定地情况来进行构造合适的小波矩，特别是对于相似度高的动作更有利于进行识别，符合本论文的研究要求。　　最后对目标猪二值轮廓图进行小波矩特征提取，并通过使用结合离散度和顺序前进法对提取的高维的小波矩特征进行降维优化，最后将优化的特征数据通过概率神经网络分类器，对猪的四种姿态进行分类识别，识别精度达到95％以上。该方法对于监控猪的异常行为有着深远的研究意义。