目前,生猪养殖业日趋集约化、智能化、规模化,且随着生活水平和消费观念的改变,人们对肉质产品的数量和质量都有了更高的要求。禽畜的健康状况、繁殖效率和福利水平是决定养殖收益的最重要因素。但仅依靠人工观察的方式,成本较高且在大型养殖场难以实现。针对此问题,本文旨在通过深度学习技术和集成学习技术,实现对猪只声音的状态识别,以促进福利化养殖、提高禽畜的健康水平及幼崽的成活率。首先,本文对猪只声音信号进行了多种特征参数的分析提取,这是基于集成学习方法以及CNN结合语谱图识别方法进行猪只声音状态识别的基础。一方面对猪声音信号多种时频域特征进行了分析提取,得到32维矢量序列作为SVM和集成学习模型的输入特征向量;另一方面,分析研究了声音信号的语谱图特征,对6种不同类型的语谱图分别进行实验,对比优选以探究适应CNN结构的最优谱图生成方式。其次,本文构建了基于Gradient Boosting算法、Random Forest算法以及Extra Trees算法的三种集成学习方法的猪只声音识别模型,并以识别率和速度为指标测试模型性能,与目前应用最多且效果较好的SVM基线模型进行对比。实验结果表明,集成学习算法模型对各类的识别率都表现更优,且识别速度与SVM差异很小,验证了本文提出的将集成学习算法应用于猪声音识别的方法的优越性。最后,针对集成学习模型和SVM模型存在的类间识别率差异明显,对异常状态声音识别率较低的问题,本文着重对CNN结合语谱图的识别模型进行了设计、实现及优化。具体包括对输入语谱图的分析、预处理,并对现有性能较好的CNN模型进行性能对比和优选;之后对选定的模型MobileNetV2模型的网络结构和优化技巧进行了详细介绍,并且改进了网络原有的优化策略。此外,本文进一步的从语谱图以及网络结构调整这两个方面来及进行模型优化。本文实验在以256点FFT、1/2帧移的语谱图为输入特征,以Adam为网络优化算法,以ImageNet预训练的MobileNetV2模型为基准进行迁移学习训练的条件下,得到模型最终的识别率为97.3%,模型对各类别识别率都很高,且可通过损失很小精度来显著提升模型速度,满足实际应用中的需求。