肉鸡健康不仅影响养殖效益,也可能传播疾病威胁人类健康。智能化的肉鸡健康体况检测方法能够为养殖业降低人工成本,防止疫情扩散。在商业肉鸡养殖中,影响肉鸡健康的疾病种类繁多,实现对肉鸡具体疾病的识别成本较高,精度较低。目前,通过传感器和机器学习结合的方式对畜禽动物一般行为或发情、跛足等特定行为的识别已有相关研究报道,但鲜有针对畜禽动物健康体况的识别研究。由于肉鸡患病会产生精神不振、长时间卧伏、食欲减退等各种病理性行为,本研究目标为通过肉鸡行为的识别了解其福利状况,并通过行为数据实现对肉鸡的健康体况识别甚至疾病早期预警。本研究通过在平养肉鸡的日粮中添加不同含量黄曲霉毒素B1来诱导肉鸡中毒,将肉鸡分为中毒组、轻中毒组与正常组,开展肉鸡行为识别和基于行为的肉鸡健康体况水平分类研究。研究采用三轴加速度传感器和摄像头分别采集肉鸡行为加速度数据和肉鸡视频数据,利用卡尔曼滤波算法对三轴加速度数据进行降噪,再提取降噪后数据的时域及频域共18个特征值。基于K-近邻、支持向量机、决策树、随机森林和梯度决策树共5种算法对数据进行训练与分析,从而建立肉鸡行为识别与健康体况识别模型。主要研究结论如下:（1）采集中毒组、轻中毒组与正常组肉鸡生理指标对肉鸡体况健康水平进行了分类。通过对肉鸡行为视频数据分析,发现黄曲霉毒素B1能够有效诱导肉鸡产生精神不振、食欲减退等病理性行为,具体表现为躺卧时间增加,采食、饮水、站立休息和行走行为减少,其中中毒组肉鸡相对正常组肉鸡卧伏行为增加31.77%,行走行为减少7.73%,采食行为减少 4.88%;（2）通过卡尔曼滤波算法可以有效地实现对三轴加速度数据的降噪,降噪后的加速度数据提取出时域和频域的特征值,通过数据密度分析发现特征值对肉鸡行为及其体况健康水平具有良好的分类能力,其中形状均值和幅度峭度可以实现肉鸡行为分类,时域均值可以实现肉鸡动静态行为分类,幅度偏度和最大最小值差可以实现肉鸡体况健康水平分类;（3）基于机器学习算法构建的肉鸡行为与健康体况识别模型都具有较高的识别性能,其中GBDT算法模型对肉鸡行为识别准确率为94.02%,对肉鸡健康体况识别准确率为97.65%,本研究为基于行为的肉鸡健康体况识别和疾病预警提供了理论依据。