哺乳母猪姿态的自动识别是母猪行为自动监测识别的重要基础。在商业养殖的自由栏场景下,母猪的躯体非刚性形变,母猪与仔猪之间的粘连与遮挡,以及自然光线的昼夜变化以及热灯光线对目标图像质量的影响,严重地影响基于计算机视觉的哺乳母猪的姿态识别精度。Faster R-CNN是一种主流的基于卷积神经网络的目标检测算法提供了高精度和高效率的目标识别性能。为此,本文通过Kinect V2.0传感器采集自由栏场景下全天候的哺乳母猪RGB-D数据,研究哺乳母猪姿态识别的Faster R-CNN算法,包括基于深度图像改进的Faster R-CNN算法、精简的双流RGB-D Faster R-CNN算法及基于Mobile Net V2轻量化的双流RGB-D Faster R-CNN算法,实现了全天候、精准、快速的母猪姿态识别。本文的主要研究内容与创新具体如下:（1）哺乳母猪RGB-D数据库的建立。使用Kinect V2.0在自由栏中垂直拍摄获取哺乳母猪的RGB图像和深度图像,并对深度图像进行预处理和手工标注。由于猪舍受昼夜光线变化和热灯干扰影响,本文将数据集划分为光线较差或夜间条件下的数据集和光线较好条件下的数据集。通过随机采样获取站立、坐立、俯卧、腹卧与侧卧5类姿态合计12600组RGB-D数据作为光线较好条件下的训练数据集,5533组作为光线较好条件下的测试数据集,7541组作为光线较差或夜间条件下的训练数据集,以及5000组作为光线较差或夜间条件下的测试数据集。此外,在训练时对训练数据集进行旋转镜像扩增。（2）提出基于改进Faster R-CNN的哺乳母猪姿态识别算法。利用深度图像作为数据源使算法获得对光线变化的鲁棒性,以实现光线较差或夜间条件下的母猪姿态识别。对于Faster R-CNN首先在ZF网络基础上通过引入残差块结构设计ZF-D2R基础网络,然后在Fast R-CNN损失函数中引入Center Loss监督信号进行联合训练,最后再将网络的激活函数替换为PRe LU实现算法改进。通过光线较差或夜间条件下的测试数据集测试后,在识别精度上该方法m AP达到93.25%高出未改进的ZF的方法3.86%,在速度上则达到16.95FPS保持了实时性。（3）提出精简的双流RGB-D Faster R-CNN算法识别哺乳母猪姿态。在白天更有意义的光线较好的条件下,同时利用RGB图像与深度图像作为数据源以期获得两者之间具有相关性和互补性的特征信息,为更高精度的识别提供信息基础。在算法上首先使用两个卷积网络分别提取RGB图像特征与深度图像特征,然后仅使用一个RPN网络利用RGB-D的映射关系生成这两种数据的ROI,随后使用一个独立的特征融合层实现两种数据ROI的特征融合,再使用一个全卷积的Fast R-CNN利用融合后的特征实现姿态识别,最后实现端对端的双流RGB-D Faster R-CNN算法。该方法获得了更高的识别精度,在光线较好条件下的测试集上,m AP达到了95.47%,分别高于仅使用RGB图像方法7.11%、仅使用深度图像方法4.63%、前融合方法1.55%、后融合方法0.15%。在识别速度上达到10.2FPS,仍保持了一定的实时性。（4）模型优化。在本文提出的双流RGB-D Faster R-CNN算法的基础上,利用Mobile Net V2对卷积层的分解策略,通过对网络结构的模型参数量和计算代价的分析,实现模型的压缩与提速。通过光线较好条件下的测试数据集测试,在识别速度上达到12.7FPS提速了24.51%。在模型大小上则为58.6MB,压缩了16.41%。识别精度则下降了5.14%。该方法在精度与速度的平衡上提供了一种选择思路。