随着我国政府对奶牛养殖业重视程度的增加,养殖规模不断扩大,人工管理的弊端愈发明显,智慧农场的建设已经成为当前养殖业的发展趋势,其中个体识别技术成为当下畜牧养殖业走向信息化的重要一环。将计算机视觉技术与奶牛个体识别相联系,可以自动且准确地识别出奶牛个体,可以提高农场的信息化建设程度。为了解决单一奶牛个体识别算法的缺点,提高当前奶牛个体识别的鲁棒性、实用性和识别效率,本文提出了融合步态特征与纹理的奶牛个体识别算法,主要工作如下:首先利用前景检测算法提取原始奶牛视频中前景图像,并对原始前景图像进行后处理操作从而生成符合步态识别要求的图像。同时对图像识别领域中应用较多的特征提取算法进行了综述,并使用三种具有代表性的分类算法进行了实验。本文对提到的前景提取算法、特征提取算法以及分类方法进行了优缺点分析。然后,针对基于能量图的奶牛步态识别算法识别率不高、基于肢体角度的奶牛步态识别算法关键特征提取较少的问题,提出了基于肢体角度-能量图在特征层融合的奶牛个体识别算法;针对奶牛步态识别率较低和基于纹理的奶牛个体识别鲁棒性较差的问题,本文提出了一种基于步态-纹理在决策层融合的奶牛个体识别算法。（1）基于肢体角度-能量图的特征层融合算法用于奶牛步态识别。首先使用基于肢体角度的步态特征提取算法提取奶牛在行走过程中的两个关键肢体角度,并按周期生成肢体角度特征图,然后使用改进的局部二值模式算法提取奶牛步态能量图的局部纹理特征,最后在特征层将两种特征融合,生成最终的特征向量,用于个体识别。（2）基于步态-纹理的决策层融合算法用于奶牛个体识别。首先对从原始视频中提取的奶牛前景图像进行归一化和后处理等预处理操作,并采用改进的局部二值模式算法对奶牛纹理进行特征提取,最后采用加法法则在决策层将纹理识别与（1）中基于肢体角度-能量图的奶牛步态识别算法进行融合。最后,使用支持向量机分类器分别对提取的肢体角度-能量图的特征和奶牛纹理特征降维后进行分类,识别正确率达到了83.52%,高于单一的基于步态的奶牛个体识别和单一的基于纹理的奶牛个体识别正确率,验证了本文提出的融合算法的有效性和可行性。同时,为了体现本文特征提取算法较强的泛化能力,给出了由不同算法在测试集上的识别结果所绘制的受试者工作特征曲线图。