目前,随着奶牛大规模养殖体系的创建与发展,利用智能化手段对奶牛进行管理已然成为一项十分关键的任务。奶牛个体识别作为奶牛信息化管理的基础和前提逐渐引起人们的重视。为了有效完成奶牛个体步态特征的提取与分类,提高奶牛个体步态识别正确率,本文主要工作如下:首先叙述了步态识别领域中应用较多的前景提取算法,给出了相应的效果图以及算法优缺点分析,挑选出最适合处理奶牛步态视频的算法。利用基于轮廓的步态识别算法对奶牛前景图像进行特征提取,以及利用LBP、HOG、Harris以及SIFT算法对传统奶牛步态能量图与基于奶牛骨架的步态能量图进行了特征提取。使用SVM、KNN、随机森林三种分类算法分别进行了奶牛分类实验,并指出了各种算法存在的不足之处。其次,根据特征提取算法的比较结果,本文提出了基于外轮廓-能量图的奶牛个体步态识别算法。基于外轮廓的步态特征提取将奶牛在行走过程中的2D轮廓转化为1D的距离特征,并使用改进的LBP算法提取能量图的局部纹理特征。把两种特征进行融合,生成最终的特征向量,在突出传统能量图步态识别算法优势的情况下也保留了奶牛行走过程中轮廓变化信息。然后针对奶牛行走过程中几乎不会发生变化的奶牛躯干占前景图像的较大部分,影响关键的四肢步态特征提取的问题,本文另外提出了一种基于奶牛骨架的步态能量图算法。基于奶牛骨架的步态能量图不仅具有传统步态能量图的优势,也使得奶牛个体步态识别算法更有针对性的分析四肢运动,同时也极大的抑制了与步态运动无关的信息,提高了分类准确率。最后,将融合后的特征向量与基于奶牛骨架的步态能量图提取出的特征降维后使用SVM进行分类。在20头奶牛的200个周期、4000张前景图像的完整步态序列上,每头奶牛以随机的方式挑选出8个完整步态周期进行训练,其余作为测试集。两种步态特征提取算法在SVM分类器中识别正确率分别达到了75.3%与78.6%,验证了本文算法的有效性和可行性。同时实验部分给出算法中涉及到参数的讨论,保证了实验结果的严谨性。