全社会对猪肉需求不断上升，提高和改善生猪养殖势在必行。通过对猪的行为进行检测，可以为圈养猪的生长和健康状况提供评判依据，提高养殖的自动化和智能化水平。本论文建立在机器视觉等相关科学和技术的基础上，搭建图像采集系统，深入研究圈养猪的目标检测和跟踪，为后续猪行为检测提供方法和依据。本论文主要研究工作如下：（1）阐述了基于机器视觉的圈养猪行为检测的背景和意义，对机器视觉在畜禽行为检测上的发展现状进行总结，分析了畜禽行为检测当中关键的目标检测技术和目标跟踪技术。（2）分别对本论文所需的图像采集硬件和软件进行了设计，采用DH-SV1421GC彩色工业CCD数字相机和Computar M1620-MPW2可变焦工业镜头作为图像采集的主要设备，基于VisualStudio环境开发采集软件，实现图像的自动采集和存储。为精简后续方法的计算量，压缩原始图像数据尺度，引入高斯金字塔压缩算法，在保持足够信息量的同时降低图像分辨率。（3）为了实现圈养猪目标检测，首先对常用的目标检测方法作分析，阐述各自的原理，研究其优缺点，通过详细阐述高斯混合建模(GMM)在目标检测上的应用，实验分析GMM在检测缓慢运动或静止目标时的缺陷，提出了一种融合GMM和图像粒化的猪目标检测方法。为保证图像粒化的效率和准确度，首先采用斑点噪声各向异性扩散模型（SRAD）对图像滤波，再平滑细节并保持边缘，提出一种基于快速分割的边缘检测法以增强图像主要边缘，然后引入基于控制标记符的分水岭变换完成图像粒化。依据粒化图像和GMM检测结果，分析确定猪圈中猪目标个数，融合图像，完成检测目标。在MATLAB平台开展实验，验证所提方法的可行性和优点。（4）提出一种基于逐帧检测的猪目标轨迹跟踪方法，对每一帧图像进行目标检测，以目标质心代表目标位置，当猪圈中仅存在单只猪时，简单将相邻图像帧中的目标质心点按照时序连接，即可获得目标的运动轨迹，实现轨迹跟踪。当猪圈中有多只猪时，结合最近邻方法，连接相邻帧图像中目标质心，可获取轨迹。当多只猪互相干扰，简单的最近邻方法出错，提出一种结合粒子滤波和逐帧检测的跟踪方法，采用粒子滤波器在图像序列中对猪进行目标位置的估计，以估计位置为基础，改进目标点关联方法，在下一帧中进行最近邻判断，确定质心点的关联，在多目标互相干扰但不重叠的情况下较好地完成目标的跟踪。