随着模式识别技术的普及和对动物相关的应用场景进行智能分析需求的增长,将现有的模式识别和机器学习的技术引入动物相关的研究领域已经引起研究人员的重视。然而,由于场景的稀缺和数据获取的局限性,针对动物监控数据进行模式分析与识别的研究才刚刚开始,研究的深度和广度都还不够。在这样的背景下,本文以受控环境下灵长类动物(NHP)的监控视频作为研究对象,以自动分析和识别NHP的行为模式作为研究目标,通过解决其中涉及到的模式识别的基础问题,包括对称模式检测、行为模式聚类、模式轨迹跟踪、模式度量学习和模式特征融合等,完成从海量的监控数据中有效地挖掘对NHP的相关研究有利的行为模式信息,达到节省人力、提高工作效率的目的,以期对未来构建与动物监控相关的智能模式分析与识别系统起到积极的促进作用。本文的主要研究内容如下:1.针对NHP视频监控场景中每个摄像头同时监控两个笼子的情况,本文将笼子区域的分割问题转化为对称模式检测问题,提出了一种基于局部兴趣点的自适应的对称模式检测算法。在局部特征点的提取中引入关键点数量的约束,在特征点对的匹配中加入Ransac策略进行匹配点对的过滤,在Hough空间投票中加入几何约束并通过高斯建模引入对称模式的先验信息,由此提高了对称检测算法对于背景噪声、低对比度和缺乏纹理特征等极端情况的鲁棒性。在NHP-Symmetry数据集上的主观和客观性能评估结果证明了本文提出的对称检测算法对NHP监控视频的笼子区域分割具有较好的效果。同时为了验证算法的泛化性,我们还在对称检测公开图像数据集上进行了扩展实验,验证了本文的对称模式检测算法的有效性和鲁棒性。2.提出了一种基于粘连的分层狄利克雷过程隐马尔可夫模型(sticky HDP-HMM)的行为模式聚类算法,该算法将视频序列的行为模式聚类问题转化为对时间序列的分割和标注问题,不需要事先定义行为类别,而是通过非监督的方式赋予相似的行为模式相同的类别标签,从而能够从海量的监控视频中挖掘出NHP的行为模式分布,有利于促进对NHP监控视频作进一步的智能分析。在NHP监控视频数据库上的实验证明了本文提出的算法在行为模式聚类上的有效性。3.针对NHP视频监控场景中监控对象和监控场景的特殊性,提出了一种无模型(model-free)的NHP重心轨迹的模式跟踪算法,对由于栏杆遮挡和光线变化导致的对象识别困难具有较好的鲁棒性,在NHP监控视频数据库上的实验证明了该算法的跟踪准确率和计算效率。4.提出了一种基于数据自适应局部度量学习(L-LMNN)的模式度量方法,根据行为模式特征的实际分布情况,进行自适应的局部度量学习,克服了单一度量方式存在的局限性,增强了行为模式特征针对识别任务的区分性。通过在NHP监控视频的行为识别数据库NHPAR上的实验,证明了本文的L-LMNN算法在度量行为模式特征上的有效性,提高了行为识别准确率。为了进一步验证本文所提算法的泛化性,我们同时在基于静息态脑电信号(EEG)的身份识别任务中进行了实验,实验结果证明本文提出的L-LMNN算法能够显著提高基于EEG信号的身份识别的准确率。5.提出了 一种基于深度典型相关分析(Deep Canonical Correlation Analysis, DCCA)模型的超级向量(Super Vector,SV)行为特征编码算法。与现有的行为特征编码方式相比,DCCA-SV将DCCA模型嵌入行为特征参数空间,将一对行为特征描述子编码为共享的部分和两个相对独立的部分,从而在编码中显式地考虑了不同行为特征集之间的相关性,增强了特征编码的有效性,而且DCCA-SV的计算过程中不涉及大规模矩阵的乘法,提高了算法的效率。与当前主流的行为识别算法相比,DCCA-SV在NHP监控视频行为识别数据库NHPAR上取得了最佳的识别性能。为了进一步验证本文的特征编码算法的泛化性,我们将DCCA-SV的编码扩展到基于静息态脑电信号(EEG)的身份识别的特征融合中,实验结果证明了本文的特征融合算法能够显著提高基于EEG信号的身份识别的准确率,从而验证模式特征融合算法的普适性。