精准养殖是目前畜牧业发展的主流方向。为提高奶山羊图像分割精度,促进养殖产业精准化和智能化发展,本文以羊场环境下获取的奶山羊图像为研究对象,实现了基于改进Mask R-CNN算法的奶山羊图像实例分割。本文的主要研究内容和结论有:（1）奶山羊实例分割数据集的构建。针对缺少奶山羊实例分割公开数据集的问题,通过在奶山羊养殖场安装远程高清摄像机,获取室内外奶山羊监控视频。首先对视频进行关键帧提取,人工筛选出清晰度较高的奶山羊图像作为原始实例分割数据集。然后,利用几何变换、色彩增强和添加噪声的方法实现了数据集扩充。最后,使用Labelme软件进行图像标注,得到理想的自制奶山羊实例分割数据集。（2）基于特征加权的奶山羊图像实例分割。针对Mask R-CNN模型对特征信息利用不充分的问题,提出了一种基于特征加权的奶山羊图像实例分割模型FM-Mask RCNN。FM-Mask R-CNN在Mask R-CNN的基础上嵌入了挤压-激励网络（SENet）中的SE模块,通过特征加权的方式学习特征通道的重要程度,提升对奶山羊分割有效特征的学习权重,抑制其它不重要的特征,增强了模型的特征提取能力。实验结果表明,FM-Mask R-CNN拥有更高的实例分割性能,与原始的Mask R-CNN相比,在自制奶山羊数据集上的平均分割精度提升了2.83%。（3）基于Adaptive NMS和排斥损失的奶山羊图像实例分割。针对复杂场景下Mask R-CNN实例分割模型精度低、鲁棒性差的问题,提出了一种基于Adaptive NMS（自适应非极大值抑制）和排斥损失（Repulsion Loss）改进的Mask R-CNN算法。首先将原始的NMS算法替换为更适用于复杂场景的Adaptive NMS算法,根据场景的稠密程度来进行最优的阈值设定。再引入削弱遮挡影响的Repulsion Loss,进一步增强Mask RCNN算法对于遮挡实例目标的适应能力,有效减少了复杂场景中奶山羊相互遮挡导致的漏检和误检现象。最后在自制奶山羊数据集上进行了对比实验。实验结果表明,在奶山羊数据集上基于Adaptive NMS和排斥损失改进后的Mask R-CNN算法平均分割精度达到68.71%,比原始的Mask R-CNN提高了4.59%。本文的方法和其他实例分割算法的比较结果,也证明了改进的Mask R-CNN在解决复杂场景下的遮挡问题方面有明显优势,拥有较好的分割性能。