目前,在家禽加工产业中,通常采用人工对家禽部位（鸡腿、鸡翅、翅根）进行手工分拣,这种人工分拣方式加工效率低,耗时耗力,费用高,难以满足现代化生产的需要。随着机器视觉技术的的疾速发展,机器视觉技术普遍应用于各种生产和加工领域,特别是在图像识别领域取得了较大的发展,采用深度学习技术检测禽体部位,提高检测速度,这对加快家禽加工行业的现代化进程具有重要的意义。本文以鸡部位作为研究对象,进行了鸡部位的图像采集、图像分割以及图像识别,重点研究了基于深度学习的鸡部位检测与识别技术研究。本文搭建了鸡部位的图像采集系统,获取了鸡部位图像的训练集,验证集和测试集,并采用这些数据进行鸡部位的检测与分类。本文的主要研究内容如下:（1）搭建了图像采集系统。根据家禽部位检测系统的需求,选择了图像采集系统中合适类型的工业相机、镜头、光源和PC机。在确保自动对焦的条件下采集鸡部位图像1000张,之后进行数据增强扩充到6000张,建立鸡部位数据集,同时使用labelmg软件进行人工标注,最后进行图像处理,使图像清晰度、辨识度更好。（2）针对鸡部位目标的识别问题,提出了基于鸡部位深度学习的检测方法,分析了卷积神经网络和YOLO、Faster R-CNN、SSD、YOLOV3网络模型的四种目标检测算法的特点,对四种训练好的模型分别做了试验,数据显示检测m AP值分别为89.1%,88.7%,89.3%,92.1%,单张检测时间分别为0.062s,0.069s,0.049s,0.060s,结果表明YOLO V3检测模型效果较好。（3）提出基于改进AM-CIOU-YOLO V3目标检测算法。在Yo Lo V3的主网络中加入STN和SE两个注意力机制,将YOLO V3中的IOU替换成CIOU得到最终的改进模型AM-CIOU-YOLO V3,该模型与YOLO V3,Faster RCNN,SSD算法进行对比,结果表明改进后方法的识别F值可达97.3%,单张检测时间为0.026s。（4）针对鸡部位的目标检测的问题,提出了基于语义分割的算法研究,分析了FCN、弱监督的语义分割,对U-Net、FCN、Seg Net三种训练好的模型进行实验对比,结果显示U-Net语义分割算法精度最高,时间最短,它的精度为93.63%,平均交并比为85.37,单张识别时间为156ms。综上所述,本文提出了鸡部位的检测与识别技术方案,可以达到更好的识别效果,同时可以满足实时样本处理,两阶段鸡部位分类识别能进一步提高鸡部位的识别准确率,为家禽加工提升了智能化识别的水平。