猪的体尺、体重等生长参数是评价猪的生长状况、种猪选育等环节所关注的关键指标。而传统的体尺、体重等参数的获取一般是由人工直接接触式测量,工作量大,对猪会产生应激,降低猪的福利水平。针对上述问题,本文以长白猪为研究对象,利用计算机视觉技术,研究了基于双目视觉的猪体体尺参数提取及三维重构方法。主要研究内容及结果如下：(1)猪体重估测模型研究。针对线性回归估测猪体重,其体长、体高、胸围等自变量间存在自相关及共线性问题,本文在相关分析的基础上,采用多元线性回归、SMLR、RBF和PLS等方法,构建了猪体重估测模型。经检验,基于RBF神经网络的猪体重估测模型的R2为0.977,平均相对误差为1.34%,预测效果优于多元线性回归；基于PLS的猪体体重线性模型R2为0.945,平均相对误差为2.7%,该模型较RBF神经网络模型可操作性强,且消除了线性回归分析中的自变量共线性问题,是构建猪体重估测模型的一种有效方法。(2)复杂背景下猪体生长参数识别算法及优化研究。针对猪自然站立姿态下,利用机器视觉提取猪体尺测点,存在测点识别率较低等问题。本文提出了复杂背景下猪体尺测点提取方法。设计了复杂背景下猪个体提取、基于包络分析的猪体头尾部的去除和具有一定弯曲度复杂猪体尺测点提取等算法。该方法实现了猪体长、体宽等体尺测量的9个体尺测点的坐标提取。实验结果表明：体尺测点提取算法稳定,具有较强的鲁棒性,该算法的检测值对猪体体尺实测值平均相对误差为2.26%,体重检测误差为5.11%。(3)双目视觉三维重构方法研究。针对胸围等参数,通过猪背部单幅二维图像无法获取问题,本文利用双目视觉技术,提出了基于复杂背景去除的猪体图像匹配算法,采用互信息和自适应相似度理论优化了传统的SAD、NCC等模板灰度的立体匹配算法,设计了猪体胸围参数提取算法。通过Matlab完成摄像机标定、立体匹配、三维重构及可视化等图像分析。实验结果表明：立体匹配效率较SAD、NCC等模板灰度的立体匹配算法提高了一倍；经与实测值对比验证,通过双目视觉三维重构体尺检测平均相对误差为2.09%,体重检测平均相对误差为3.38%。(4)主动式猪体三维重构方法研究。为对比双目视觉三维重构体尺检测精度、探索猪体三维重构新方法,本文采用激光三维扫描仪,进行主动式猪体三维重构方法与体尺检测研究。该方法在获取猪体点云数据的基础上,基于不规则三角网重构了猪体三维曲面模型。提取了猪体长、体宽、臀宽、体高、臀高、胸围等参数。对比分析其体长、体宽、臀宽、体高、臀高、胸围等实测值,其检测最大相对误差为0.42%,平均相对误差为0.17%,体重检测误差为2.7%。从检验结果上看,主动式三维重构体尺体重检测算法精度较高,但扫描仪不便于在猪舍现场使用且激光束易对猪体造成伤害,双目立体视觉重构猪体三维,检测其猪舍猪体生长参数方法可行。