近年来,依靠互联网和高性能计算机发展起来的深度学习方法在图像识别方面具有明显的优势,其效果已在动物识别领域得以证明,但是对于生活在复杂生态环境背景中的灵长类动物识别的相关研究却较少。本文以湖北省神农架国家公园川金丝猴为例,探讨基于深度目标检测和实例分割方法对该地区川金丝猴进行识别的效果,从而解决在包含复杂环境背景信息的图片中,对任意姿态、任意大小的川金丝猴的准确识别和定位,同时解决现有研究中相关模型建模数据来源单一和识别部位局限等问题。在研究过程中,本文以网络爬取和实地拍摄的图片作为训练集,分别构建深度目标检测代表算法YOLO v3、Faster R-CNN以及实例分割代表算法Mask R-CNN的神农架国家公园川金丝猴图片识别模型,并在参数优选的情况下,分别确定最优化模型。通过分析这些模型基于不同训练集构建的效果,进而探究样本有限的情况下,建模数据的最优补充方案。与此同时,本文还从定量、定性以及训练时间等方面对上述模型进行了综合比较,从而明确这些模型对于野外真实场景图片中川金丝猴快速准确识别的效果。研究结果表明:1、在识别过程中,参数优选后的YOLO v3模型对于川金丝猴面部的识别效果优于对目标较大的川金丝猴身体的识别效果,并且模型的训练时间较短。同时,相较于机器学习模型和卷积神经网络,该模型的识别精度大幅提升;2、参数优选后的Faster R-CNN模型不仅整体识别效果较YOLO v3模型更好,同时更适合识别目标较大的川金丝猴身体;3、相比于深度目标检测方法而言,基于深度迁移学习的Mask R-CNN算法不仅能够提高识别精度,同时能将图片中川金丝猴沿其边缘分割出来,实现川金丝猴图片的精细识别;4、通过对上述三个模型的综合分析,发现相比于YOLO v3和Faster R-CNN模型,Mask R-CNN模型的识别精度更高,虽然训练速度较YOLO v3模型稍慢,但比Faster R-CNN模型快。因此,从运算效率和识别精度综合比较的结果来看,Mask R-CNN算法更适用于川金丝猴图片的识别。与此同时,对于解决实地拍摄图片样本有限的问题,相较YOLO v3和Faster R-CNN而言,Mask R-CNN更适用于将网络爬取图片作为实地拍摄图片的替代数据源进行样本扩充。基于此,本文通过结合实地拍摄和网络爬取构建的YOLO v3、Faster R-CNN和Mask R-CNN参数优选后的模型,不仅解决了川金丝猴野外获取样本数量有限的问题,而且提升了其在复杂生态环境背景中自动化识别的水平,进而增强了对其生存状态监测的能力。该项研究不但对神农架国家公园内川金丝猴的野外发现和跟踪有着重要的现实意义,还可为该地区的野生动物保护提供技术支持,进而为推进神农架国家公园的进一步建设提供帮助。