我国是生猪养殖大国,生猪养殖业是农业领域的重要产业。随着生猪养殖业的不断发展,人们逐渐开始关注生猪养殖福利和饲养环境。猪排泄所产生的猪粪尿如不及时清理,会产生大量氨气,直接影响猪的健康,引发各种生猪疾病,还对养殖人员健康造成伤害。因此,实时检测猪的排泄行为至关重要。目前针对生猪排泄行为检测主要采取机器视觉技术,通过获取猪舍内RGB图像并对图像进行后续分析与处理。由于猪舍环境复杂,RGB图像质量容易受到影响,从RGB图像中识猪的排尿与排便行为存在一定困难,并且夜晚需要补光。因此需要更加精准高效的生猪排泄行为检测方法,进而提高生猪养殖福利和生产效益。针对生猪排泄行为检测中RGB图像难以准确分辨出排尿与排便行为的问题,本文利用红外热成像技术获取猪舍热红外图像,结合排泄姿态和排泄物形态特征,以基于深度学习的目标检测算法对图像进行处理,无需额外补光,实现了生猪连续24h排泄行为准确检测。具体研究内容结果如下:（1）以圈养健康育肥大白猪为研究对象,提出了一种基于热红外图像结合目标检测算法的生猪排泄行为检测方法。首先利用Flir Lepton 3.5结合Open MV底板搭建了一个热红外图像采集装置,获取到猪只热红外视频,再经过视频剪辑、图片截取、图像标注、数据集划分构建了数据集。然后,研究基于深度学习的目标检测算法实现生猪排泄行为检测。本文训练Faster R-CNN、YOLOv4、EfficientDet模型对猪只排泄和闲逛行为进行识别,三个模型的mAP分别为98.19%、97.08%、96.70%。Faster R-CNN模型检测精度最高,但其模型训练时间和单张图片检测时间最长。YOLOv4模型的检测精度仅次于Faster R-CNN模型,且其模型训练时间最短,为39h,单张图片检测速度最快,为49ms。YOLOv4模型的实时处理能力较强,检测精度也较高,为实现基于深度学习的目标检测算法在生猪排泄行为检测方面的应用提供了理论价值。（2）提出了一种改进YOLOv4的目标检测算法。其中,利用EfficientNet-B1网络替换了 YOLOv4的主干网络CSPDarknet53,通过提高网络深度,网络宽度和分辨率来实现更复杂、更细粒的特征提取。测试结果表明,改进后的模型mAP达到了98.15%,模型训练时间为31h,单张图片检测时间为38ms。与改进前的YOLOv4模型和EfficientDet模型相比,其mAP分别提高了 1.07%和2.08%,模型训练时间分别缩短了 8h和34h,单张图片检测时间分别缩短了 11ms和18ms,验证了改进后的YOLOv4模型具有更高的检测精度和更快的检测速度。（3）开发了生猪排泄行为检测系统。以改进后的YOLOv4模型为基础,利用Python语言编写了可视化人机交互平台。此外,对该系统的功能进行了测试,测试结果表明,该系统可以正确完成生猪排泄行为检测任务,为基于深度学习的目标检测算法在生猪排泄行为检测和评估提供了技术支持,也为后续进一步实现生猪健康信息掌控和粪污处理提供了数据基础。