群养猪身份识别是智能化个体监测与行为分析的基础。随着我国生猪养殖业不断向专业化、集约化、规范化方向发展,对猪只品质控制、福利管理及疾病防疫的需求日益增加。深入研究群养猪身份识别方法,构建智能监测系统,有利于生猪养殖过程的自动监管,对提高动物福利、增强品质控制具有重要的理论意义和巨大的应用潜力。目前,基于机器视觉的猪脸识别研究已取得了新的进展,不过猪脸图像的采集对猪只运动和姿态有一定的限制。为了探索更具便捷性、高效性的群养猪身份识别适用方法和识别模型,本文以国家自然科学基金项目为依托,围绕俯视群养猪视频,对自然场景下运动过程中的猪个体身份识别方法进行了深入研究。主要创新研究成果如下:（1）提出一种基于Gabor变换和局部二值模式的群养猪身份识别方法。考虑到采集猪脸图像、侧视图对猪只位置、姿态的限制,以俯视猪只身体图像为研究对象,对猪只背部毛发、皮肤纹路、斑点所呈现的生物特征进行分析,提取猪个体多尺度Gabor特征及局部二值模式纹理特征,采用支持向量机进行分类识别。该模型能够以91.86%的平均准确率识别猪舍中7只猪个体的身份,探索了利用俯视猪个体局部纹理特征进行身份识别的可行性,为群养猪个体监测和行为分析提供了技术前提和应用基础。（2）提出一种多尺度局部差分方向数模式（Multi-scale Local Difference Directional Number,MLDDN）用于群养猪身份识别。在局部纹理特征用于猪只身份识别有效性研究的基础上,为进一步提高特征描述能力,针对局部方向数模式只考虑单一尺度,不同方向响应之间相互关系表达不足等问题,构建多尺度鲁棒性的编码方式。首先,采用最重要有效位量化方法将猪个体彩色图像转换为灰度图像,以便将不同颜色量化为更具区分度的灰度值。其次,为了获得更丰富的信息,除了提取Gabor幅度响应特征,还提取了对光照不敏感的Gabor相位响应特征。通过计算局部边缘方向的主要差异,对幅度和相位响应分别编码,以增强编码的鲁棒性。最后,为避免多尺度导致特征维度的增加,在不同尺度对分块编码图像的直方图进行最大池化以构成特征向量,采用支持向量机进行分类识别。该模型对饲养了7只猪和10只猪的两个猪舍,能够分别以95.71%及89.80%的准确率识别其中的猪个体身份,为猪个体局部特征提取方法提供了新思路。（3）提出一种韦伯纹理局部描述子（Weber Texture Local Descriptor,WTLD）用于群养猪身份识别。考虑到前两种方法均利用Gabor变换获取多尺度多方向特征,特征维度较高、计算量大。为了提高编码的紧凑性,降低特征维度,在分析韦伯描述子方向和局部结构信息表达不充分的基础上,研究更紧凑和高效的局部特征描述方法。首先,利用韦伯定律计算差分激励,描述中心像素与邻域中像素的相对强度差。采用多方向模板与原始图像卷积,提取局部多方向信息。其次,将主方向与差分激励结合构成直方图。计算局部邻域的主方向强度差,采用一种自适应阈值将方向与其强度变化联合编码,增强对局部结构信息的描述。最后,将差分激励直方图与编码图像直方图级联,利用支持向量机进行分类识别。该模型对饲养了7只猪和10只猪的两个猪舍,能够分别以97.1%及95.0%的准确率识别其中的猪个体身份,具有较低的特征维度和计算负担。从上述研究成果可见,利用俯视猪个体图像,提取局部特征用于猪只身份识别可以获得良好的性能。该方法在一定程度上降低了对猪只运动、姿态的限制,为群养猪身份识别领域的研究提供了理论基础。通过对特征表达能力的进一步研究,以较低特征维度和计算负担获得了较高的识别准确率。这有利于生猪养殖业以较低成本配置群养猪身份识别系统,提高规模养猪场智能化、精准化养殖水平,也对提高养猪业智能化管理、增强动物福利具有重要的学术意义及应用价值。