通过深度学习分析动物的面部表情是本研究的主要内容。由于羊面部表情的人工评价缺乏准确性,耗时且单调。因此面部表情的疼痛水平估计是绵羊生命的有效和可靠的标记。一方面深度学习的基础是计算机视觉中卷积神经网络的最新进展,有助于快速准确地对面部表情进行分类。但另一方面,由于输入中的高斯和脉冲噪声,卷积神经网络易受小样本的影响。在本方法第一阶段中,首先要消除数字图像处理中的组合高斯和脉冲噪声。由于保留图像细节和抑制噪声是具有挑战性的问题,为此,一种结合卷积神经网络新型中值滤波器滤波器被用于处理高斯和椒盐噪声。以前的方法是依赖程序,一些用于处理脉冲噪声,另一些用于处理高斯噪声。首先消除高斯和脉冲噪声的是通过采用3×3和5×5窗口大小的中值滤波器来检测具有噪声抑制的脉冲噪声。随后在第二步中,通过残差学习去噪卷积神经网络去除高斯噪声。在数字图像处理领域,学习和去噪性能非常必要。去噪卷积神经网络还具有有效处理具有未知的噪声水平的高斯噪声。在第二阶段时,通过监测绵羊的生活实现对自然习性的充分评估,这对于管理至关重要。在这项研究中,我们提出了一种羊脸数据集的框架,它使用转移学习和微调来自动分类正常和异常的羊脸图像。基于最先进的卷积神经网络架构来训练羊脸数据集。我们使用数据增强,L2正则化和微调来训练模型。在实验中,噪声去除表明,该方法可以实现训练期间的低损耗、低均方根误差、高峰值信噪比、良好的图像评估质量和用于在去噪和原始彩色图像之间进行近似预测的平均绝对误差。本文的实验通过使用预训练模型对绵羊面部表情进行羊脸表情的正常和异常检测,通过使用的VGG16模型实现了100%训练,99.69%验证和100%测试准确性。在使用其他预训练模型的同时,本文达到了93.10%至98.4%的准确率。最后,VGG16和ResNet50用于五种面部表情,分别获得100%和85%的准确率。我们提出的模型适用于测试大型数据集,可以更高精度地帮助其他动物生命,节省时间和费用。