近十年来,随着畜牧养殖业的快速发展,机器视觉技术在畜牧养殖业中已经取得了较快发展。为加快养殖信息化技术在生猪养殖中的发展,改善传统生猪养殖中猪只人工统计工作的不足,实现更高效率的猪只识别与计数,本文基于机器视觉技术使用YOLOv3目标检测算法实现对猪只的识别与计数。本文主要的研究内容可以概括如下:（1）研究深度学习目标检测算法的工作原理和特点,比较不同算法之间的优缺点,选择YOLOv3作为本次实验研究的目标检测算法模型。对YOLOv3算法模型的整体网络结构进行深入研究,并将其运用于实验和分析。（2）在实验中对YOLOv3算法模型进行参数和网络的优化,将原先的20类目标检测缩减为猪只单体的检测,使用K-means算法重新聚类计算了网络中的anchors使模型更符合猪只检测的实验要求,并结合聚类结果删除了原模型中检测小目标尺寸的网络。不仅使训练模型得到了简化,而且在提高猪只检测精度的同时也使得算法的检测速度得以提升。（3）在相同硬件配置和数据集下,将本实验中训练选取的模型与Faster RCNN和SSD模型识别结果进行比较,结果表明:在母猪场中对仔猪的识别平均精度（AP）达89.65%,准确率（P）达89.65%,召回率（R）达95.99%。对母猪的识别平均精度（AP）达95.16%,准确率（P）达96.00%,召回率（R）达96.00%。在育肥猪场中对育肥猪的识别平均精度（AP）达92.03%,准确率（P）达92.23%,召回率（R）达89.57%。相较于Faster RCNN,该模型的识别速率是其6倍,相较于SSD,该模型的精度均值提高12.28%。在对育肥猪场猪只识别与计数实验中,通过比较改进前后的YOLOv3模型,发现改进后YOLOv3的FPS提高了2.5,AP值提高了1.45%,Io U提高了6.55%,说明该模型在识别速率和识别精度上都达到了更高水平。（4）本文在原模型的基础上添加了计数器,使模型可以完成对猪只的识别以后自动进行数量统计,大大减少了人工统计所花费的时间。该研究为实现规模化养殖中生猪数量的监测和养殖信息化技术的推广提供了一定的理论依据和技术支持。