目前,具有成千上万头猪体的大型养殖厂对实时了解生猪体况有一定的需求,生猪的体重参数是反映生猪体况的关键信息之一,但通过人工方式获取耗时费力,成本较大,且会对生猪的正常生长发育造成影响。针对此问题,本文旨在通过深度学习技术构建一种新的网络模型,在不影响测量对象正常生活的条件下,使测量结果接近真实值。首先,本文研究了深度学习技术用于目标检测的主流算法——Faster R-CNN。自然场景下的图像往往包含杂乱的背景,影响对重要目标的进一步分析,将主要目标从背景中检测出来是后续研究的基础。遮挡现象是现实生活当中比较普遍的一种影响检测的问题。本文主要研究了Faster R-CNN算法在不同遮挡条件下的检测性能,重点分析了不同的遮挡比例对检测效果的影响,通过实验验证了两目标的遮挡比例在30%以上时,会出现严重的漏检,进而会影响后续的体重测量。其次,针对目标的参数测量问题,在Faster R-CNN算法基础上进行改进,扩展了Faster R-CNN算法的功能。构建了一个能够对目标识别、定位以及参数测量三个任务并行处理的端对端的深度神经网络。针对此网络本文使用了独特的训练方法完成模型训练,目标识别与定位两个任务使用联合训练方式进行学习,同时与目标参数测量任务构成交替训练,各自相对独立的完成网络学习。扩展后的网络结构搭配独特的训练方式可以实现在单个圆的条件下的圆的半径测量平均相对误差为1.55%;在两个圆有遮挡条件下,当两个圆满足相互遮挡比例小于30%时的半径测量平均相对误差为1.64%。最后,使用本文改进后的目标的参数测量网络进行自然场景下的限位栏猪体目标的体重测量。手动标注图像并构建自己的数据集。使用此数据集训练网络得出网络模型,并对该模型进行测试与结果分析。实验结果表明,该网络模型预测出目标的体重值与实际体重之间的平均绝对误差为0.644kg,平均相对误差为0.374%,网络的测量结果较好。可以满足实际应用的要求。