蛋鸡的行为表现与福利状况息息相关,分析蛋鸡日常行为变化规律及分布特性,建立健康评价指标,来判断鸡群的健康状况。本文以7周龄的白色绿壳蛋鸡为试验对象,利用构建的蛋鸡行为监控系统,采集了一个月的鸡群活动视频,采用轮廓特征和多种目标检测算法对单只和多只蛋鸡行为进行了识别,研究了鸡群行为变化规律、活动位置和分布情况,并编写了蛋鸡行为识别监控系统软件,主要研究内容及结论如下:（1）构建了蛋鸡行为监控系统。选用海康威视网络摄像头搭建了两个监控区域,分别放置单只和八只试验蛋鸡,采集了一个月的鸡群活动视频,相机录像时间为:7:00—18:00。（2）提出了一种基于蛋鸡轮廓特征的行为识别方法。首先从监控视频中提取出蛋鸡图像,并对蛋鸡图像进行灰度化和平滑处理,通过自动阈值分割法得到蛋鸡轮廓并进行拟合,提取出拟合轮廓的7种特征,然后对特征进行排列组合,得到四种特征组合并结合极限学习机（ELM）进行训练,提取出中心列、周长、圆度和外接矩形的长宽比这一最佳的特征组合,最后建立蛋鸡行为识别模型,该方法的平均识别时间为1.54s,且识别率高,对单只蛋鸡的采食、站、卧和修饰的识别率分别为:97.00%、94.46%、91.50%和86.64%。（3）针对复杂环境下蛋鸡图像粘连和遮挡识别较差的问题,本文研究了基于深度学习的鸡群行为识别方法。首先建立数据集,从获取的监控视频中随机选取5d的视频文件,截取不同光照强度和粘连程度的蛋鸡图像1000张,通过数据增强操作保持样本的均衡性,然后对数据集进行K-means聚类,获得适合数据集的anchor尺寸,使用多种目标检测算法进行训练识别,对比算法在测试集图像上的识别效果,得出YOLOv5和Faster R-CNN的识别效果优于其余三种模型,最后对比两种算法在粘连图像上的识别效果,发现YOLOv5的识别率高于Faster R-CNN3.5个百分点,对采食、站、卧和修饰行为的识别率能达到98.6%、95.4%、93.78%和89.20%,平均检测精度（m AP）达到94.23%,视频检测帧率达到25f/s,表明YOLOv5能准确地识别出分散和粘连情况下的蛋鸡的行为,达到实时检测的效果。（4）研究了鸡群行为变化规律、活动位置和分布情况,本文分析了投料前后鸡群活动的视频片段,通过YOLOv5算法获取视频图像中每只个体的行为信息和中心坐标,统计鸡群的行为个数随时间的变化情况及位置分布情况,得出了不同时间段内鸡群的行为个数比例情况及分布特性,健康鸡群的行为具有以下特性:在投料前,蛋鸡主要进行采食和站行为,修饰和卧行为较少,投料后10分钟内,蛋鸡主要进行采食行为,其余三种行为变少,待采食完全后,其余三种行为开始出现,统计了一天当中四类行为的总个数,并设定了健康鸡群的行为数目阈值;鸡群的采食和卧行为分布较为集中,站和修饰行为分布较为分散,结果表明,健康鸡只采食行为较多,采食完全后,会在围栏内进行活动和修饰行为,鸡群休息时,大多分布在围栏边缘,得出了鸡群在不同状态时的分布指数,基于蛋鸡行为个数和分布指数对鸡群健康进行评估。（5）编写了基于Pyqt5的蛋鸡行为识别监控系统软件。软件能够连接摄像头实时监测蛋鸡的行为,并显示检测到的行为数目和位置情况,并支持视频检测和结果保存功能。