奶牛的规模化集中养殖导致粪尿过度集中,孳生了大量的有害双翅目昆虫,它们侵袭奶牛时引起奶牛应激,奶牛会表现出摆尾、甩头及踢腿等防御性护身行为,对奶牛的健康和生产水平产生极大的危害,且不同气质类型的奶牛其护身行为存在个体差异,因此,研究奶牛的护身行为,对研究双翅目昆虫侵袭对奶牛生理及生产性能的影响、养殖环境评价及奶牛的气质选育都很有意义。目前对奶牛护身行为的研究大都是通过人工观察的方式来进行,不仅工作强度大、主观性强,而且准确度也低。本文研究了一种基于机器视觉技术的奶牛典型护身行为的智能识别方法,可实现无接触、准确无应激的检测识别奶牛护身行为。主要内容及结论如下:（1）为解决奶牛身体颜色复杂且与背景区分度低以及护身行为瞬时性、突发性带来的检测难题,本文提出了基于Shi-Tomasi角点检测改进的特征点检测算法,可在有效减少非目标区域特征点数量的同时,准确检测到奶牛护身行为部位的特征点,从而大大降低计算复杂度;提出了基于金字塔Lucas-Kanade光流法改进的奶牛护身行为跟踪算法,利用奶牛身体特征参数优化包围盒条件约束,实现摆尾、踢腿和甩头三种不同奶牛护身行为的有效跟踪,满足了奶牛护身行为识别系统准确性的要求。（2）本文通过对摆尾、踢腿和甩头三种奶牛护身行为的特征向量深入分析研究,提取了旋转角度、移动距离、垂直位移、水平位移和包围盒的面积、高宽比等9维特征向量,研究分析了每一类特征向量的相关性和特异性。利用三种典型护身行为的随机样本数据建立了循环神经网络模型,可实现准确的分类识别效果。（3）本文开发的奶牛护身行为智能识别系统以奶牛身体的细节部位作为跟踪目标,采用改进的角点检测和光流跟踪算法,跟踪检测奶牛的护身行为,提取奶牛护身行为的典型特征向量,以机器学习理论为基础,研究建立循环神经网络模型,利用奶牛护身行为动作的时间连续特性,实现奶牛摆尾、踢腿、甩头三种典型护身行为的非交互式自动识别。采用多种机器学习方法进行识别效果对比,经分析本文建立的循环神经网分类器模型准确率达98.4%。通过与人工经验对比,系统识别准确率在[0.88,1],召回率在[0.87,1]。该方法可以避免因奶牛身体晃动、背景细微的变动和摄像机的抖动带来的误检,还可以适应遮挡环境下的护身行为动作检测,具有较好的健壮性,为实现奶牛护身行为数字化、智能化分析提供了理论和技术支撑。