奶牛乳房炎的智能检测对提高大型牧场的经济效益、保障乳制品奶源及乳制品安全具有重要的意义,为发展奶牛智慧化养殖提供强大动力。奶牛乳房炎的人工理化检测方法存在费时、费力且易对奶牛产生干扰的问题,难以在大规模养殖场推广。当前,基于热红外技术的奶牛乳房炎得到了快速发展,但大部分研究仍存在需要人工提取温度的问题,本研究在国内外奶牛乳房炎检测研究现状的基础上,结合奶牛乳房炎导致奶牛乳房温度升高的特征,基于热红外技术与深度学习,开展了奶牛乳房炎检测方法的研究,为奶牛养殖场提供一种智能、准确、无接触的奶牛乳房炎检测方法。本文的主要研究内容和结论如下:（1）搭建了热红外图像采集系统,研究了奶牛侧面热红外图像预处理和奶牛目标分割方法。根据奶牛养殖场实际环境与奶牛行径路线情况,设计并搭建了奶牛侧面热红外图像采集系统,经过筛选共获得2300幅热红外图像;为减少热红外图像中噪声,分别用中值滤波、高斯滤波与均值滤波试验,结果表明中值滤波具有最好的去噪效果与最高的信噪比;基于差距度量的阈值分割方法可以获取热红外图像中完整的奶牛目标,为奶牛关键部位的准确检测奠定基础。（2）研究并提出了基于骨架和眼睛位置特征的奶牛眼睛区域检测方法和基于XGBoost模型训练的奶牛乳房区域分类识别模型。基于骨架树模型与骨架特征点特征分割奶牛头部,并利用奶牛头部轮廓特征与眼睛的相对位置特征实现奶牛眼睛区域的检测;提取了奶牛乳房区域骨架特征,基于XGBoost模型训练奶牛乳房区域分类识别模型,并探明最具代表性的特征因子为骨架特征向量V1n-V8n、区域面积SE、最佳外接椭圆长轴Lm,实现了奶牛乳房区域的检测。试验结果表明,对正常行走、微低头、低头体态下奶牛眼睛部位识别准确率分别为95.6%、93.3%、98.8%,乳房的识别准确率均为87.35%。（3）研究并提出了一种基于YOLOv4模型的奶牛关键部位检测方法。通过对原始热红外图像进行扩容、标记共得到3000幅图像组成的数据集,按照3:1:1的比例划分训练集、测试集与验证集。依据奶牛特征构建了基于YOLOv4的奶牛关键部位检测模型,测试集试验结果表明,该模型对奶牛关键部位检测的准确率为97.04%,召回率为98.21%,m AP为97.69%,平均每秒识别帧率为62 f/s。用相同数据集进行对比试验,结果表明,YOLOv4模型检测微低头姿态奶牛眼睛部位的AP值比第3章算法提高了3.6%;3种姿态下奶牛乳房部位检测AP值平均提高了12.65%,并优于其他学者提出的改进模型,表明YOLOv4模型可以准确地检测奶牛乳房与眼睛部位。（4）以奶牛乳房与眼睛区域的温度差为分级阈值,建立了乳房炎检测模型。根据深度学习检测模型得到的区域位置获取其温度,得到奶牛乳房与眼睛区域的温度差,并经统计分析确定1级（隐形乳房炎）和2级（临床型乳房炎）的温度阈值建立模型进行乳房炎等级检测,并与体细胞检测法得到的检测结果进行对比。结果表明本文模型对临床型乳房炎的检测准确率为91.4%,特异性为80%,敏感性为93.3%,检测效果较好;对隐形乳房炎的检测准确率（85.3%）低于临床型乳房炎,敏感性为87.5%。试验验证了本文提出的奶牛乳房炎检测模型可以实现奶牛乳房炎的检测。