随着畜牧业规模扩大,很多养殖场奶牛发病率也逐步增大,口蹄疫、破伤风、疯牛病、结核病等疾病的发生,一直困扰着奶牛业的健康发展,加上人们对于食品安全意识的日益提高,有效的预防和控制病害的发生成为了养牛业健康发展的必备手段。但是很多养殖场仍然通过人工鉴别病牛,监管的人力物力消耗较大。为了及时预防疾病的发生,通过计算机快速鉴定奶牛健康程度的方式已经成为了一种方便的智能化手段。牛脸不仅可以表现奶牛脸部的几何形状,而且可以表现奶牛痛苦时的表情变化,通过奶牛的面部表情来判断其是否生病是一种有效和可靠的方法。本文中将人脸面部表情以及人脸识别等方法推广到牛种群的研究上。根据人类鉴别病牛的标准,将奶牛关键部位分为眼睛、鼻子、耳朵三部分,并通过对其整体和局部的分类来判断奶牛是否生病。本文的主要工作如下:（1）奶牛数据集构建及预处理。所采集的奶牛图像来自不同的牛场,背景复杂且光照程度不同,故首先通过滤波、边缘化、直方图均衡化等预处理方法对图像进行清洗和筛选,然后根据实验需要将奶牛数据集分为整体奶牛图像、奶牛局部特征图像、抹除耳标的奶牛图像,最后采用数据合成的方法对病牛数据集进行数据拓展,并对奶牛面部的眼睛、耳朵、鼻子等关键部位进行标注。（2）基于HOG+SVM的奶牛表情分类。基于上述人工标记的奶牛脸部特征,首先通过旋转的方式将奶牛面部标准化,然后利用Open CV定义奶牛面部的边界大小。将归一化之后的奶牛图像采用HOG描述子提取奶牛面部特征,利用支持向量机的三种核函数进行分类,最后结果显示线性核函数Linear在识别病牛上有更好的效果。（3）基于卷积神经网络的奶牛表情分类。将上述经过标准化的奶牛采用卷积神经网络中的VGG模型以及Resnet18模型进行分类,最终结果显示VGG模型在病牛识别上有更好的效果,准确率达到了99.6%。（4）实验结果对比与分析。实验最终利用上述两种方法分别进行整体上和局部上的对比。在整体分类中,将上述两种方法进行比较,结果显示在卷积神经网络VGG模型中整体病牛分类效果较好。为了防止实验误差,接着又进行了多组实验验证,通过将数据集分成不同比例的五部分进行交叉验证,最终结果显示卷积神经网络下的准确率整体上仍然优于支持向量机。局部实验上,分别截取了人工鉴别病牛的三个局部特征作为主要依据进行实验,实验结果表明耳朵对于病牛的检测有较好的效果,而鼻子和眼睛的检测效果相对较差。同时为了消除耳标对实验的影响,取出一部分数据消除耳标后进行实验,结果显示消除耳标后精度降低了7%,这就表明耳标确实对实验精确度有一定的影响。（5）最后将方法应用到了一个病牛识别系统上,该系统利用Python语言进行开发,实现了图像加载以及一系列图像预处理功能,并且利用训练好的模型来实现图像分类功能。经过软件测试,采用奶牛数据集进行检测时,系统表现了较好的识别率。