实例分割技术能够实现图像的像素级分割,精确提取兴趣目标,是计算机视觉领域的关键技术。目前,养殖企业呈规模化发展趋势,生物资产持续增加,传统的人工盘点方式效率低且准确率没有保障,大规模养殖企业对智能盘点设备有着迫切需求。针对此问题,本文旨在以实例分割技术为核心构建一套智能盘点系统,无需人为干预,实现准确实时的猪只盘点。首先,本文研究了基于深度学习的实例分割算法——Mask R-CNN,并设计实验对算法的检测性能进行分析,为算法的改进和实际场景下的应用提供理论基础。实验结果表明,目标边界框间交并比超过35%、目标被遮挡可见面积不足62×34像素或目标边缘模糊时,模型无法准确分割目标,存在漏检问题。根据实际图像的特点,本文将研究的主要问题确定为目标间的遮挡问题。此外,实验证明群养栏俯视图中目标面积较大,遮挡问题有所缓解,应用场景下采用俯视角度拍摄图像。其次,针对遮挡目标的漏检问题对Mask R-CNN算法进行改进。设计了快速路径增强的特征金字塔网络,提高了模型对遮挡目标的识别能力,增强了对边缘模糊目标的识别能力;改进了非极大值抑制过程,避免了边界框间交并比大于设定阈值造成的漏检问题;引入了排斥损失,使预测框接近目标真实边界框的同时,远离其他目标的边界框;同时,针对小尺度目标的漏检问题对候选区域生成网络进行了优化。改进网络在测试集上的平均精确度为78.6%,较原始网络提高了9%,此外,在目标边界框间交并比不超过55%、目标可见面积不小于24×24像素时均不再出现目标漏检现象。最后,将本文改进的Mask R-CNN网络与目标盘点任务融合。批量采集应用场景图像并制作了自己的数据集,使用该数据进行网络的训练和测试,结果表明盘点模型的平均绝对误差为0.2,均方根误差为0.55,网络的准确性和稳定性都比较好,基本满足实际应用的需求。