近年来,国家生猪养殖业的经济发展方式正在向集约化养殖的方向发展,在生猪养殖业集约化发展的同时,猪的呼吸道疾病已经成为养猪场最常见的疾病之一。而猪咳嗽声是呼吸道疾病的早期症状,如何通过咳嗽声快速判断猪是否患有呼吸道疾病是生猪养殖业待解决的难题之一。目前观测猪咳嗽声的主要方法是人为观测,该方法不仅消耗人力物力,还不利于猪只的生长,因此研究猪咳嗽声识别检测系统对生猪养殖业有着重大的意义。本文介绍了国内外畜禽声音识别方面的技术和应用,并以此为参考从猪声音采集设备搭建、样本获取、预处理、特征参数提取和识别算法出发,建立舍养猪咳嗽声识别系统,并以特征参数融合和识别算法优化作为研究方向和突破点,对舍养猪咳嗽声识别系统进行改进,主要工作包括:（1）猪声音采集设备搭建与样本获取。实地考察猪场环境后,以树莓派、7寸HDMIips触摸屏与四麦克风阵列为核心,搭建声音采集设备,实时观察声音采集情况;在舍养猪饲养员的指导下采用Audacity音频处理软件对猪声音进行截取、人工分类和标记,得到猪咳嗽声、猪打呼噜声、猪尖叫声、猪咆哮声、猪哼哼声样本。（2）猪声音预处理与特征参数提取。对得到的猪声音样本进行预处理,保证样本质量。运用加载数字滤波器的方法对猪声音预加重,避免猪舍的干扰信号与试验所需的猪声音信号重叠;采用FIR滤波器对声音样本去噪,避免猪舍环境噪声对试验的影响;利用双限门的方法对猪声音端点检测,定位猪声音的起止点,消除无声段声音。分析短时能量、短时平均过零率和梅尔频率倒谱系数的原理和优缺点,对三种声音特征参数进行对比,试验表明梅尔频率倒谱系数更能够把声音的动态性与静态性相结合,反应猪咳嗽声的差异性,提高整体识别率。（3）猪咳嗽声识别模型建立。深入研究人工神经网络、支持向量机和动态时间规整的原理和相关参数选择,分别基于梅尔频率倒谱系数构建人工神经网络、支持向量机和动态时间规整猪咳嗽声识别模型。采用五折交叉验证的方法对三种模型进行性能评估,平均识别率分别为74.33%、77.18%和80.81%,相比其他两种模型,动态时间规整模型识别效果较好。（4）特征参数融合。利用主成分分析的方法将短时能量与梅尔频率倒谱系数融合成新的特征参数STE-M,构建人工神经网络、支持向量机和动态时间规整猪咳嗽声识别模型。平均识别率分别为76.19%、80.20%和82.01%,结果表明STE-M能够提升猪咳嗽声识别系统的整体性能。（5）模型串联与参数优化。根据（3）、（4）结果,对支持向量机和动态时间规整算法串联进行了可行性分析,以时间规整算法的输出作为支持向量机的输入,STE-M为声音特征参数建立DTW-SVM串联模型,平均识别率为83.17%,高于单一模型1-3个百分点。对DTW-SVM串联模型做优化,采用粒子群优化算法挑选最合适的惩罚因子与核函数宽度,建立PSODTW-SVM识别模型,平均识别率为85.17%,大幅度提升猪咳嗽声识别系统整体性能。