猪作为一种可以大规模养殖的动物,在动物养殖领域占有极其重要的地位。当今社会的飞速发展使得日常生活水平显著改善,猪肉供给量的增加导致猪只养殖基地不断扩充,然而如何有效安全的对养殖基地进行集约化管理成为当前所面临的首要问题。猪肉在我国肉制品消费的种类中占有很重要的地位,但是猪瘟疫情时有发生,为了保证食品安全,防止问题猪肉流入市场,对猪肉源头进行有效监管的需求日益迫切。除此之外,随着人们防范意识的不断增强,养殖基地往往对猪只进行投保,当猪只意外死亡后可进行理赔,进一步降低养殖风险,但是随着养殖基地的猪只数量不断增加,传统的养殖方式往往会导致骗保等问题的发生,如何有效的进行猪只管理对养殖基地以及保险公司都具有重要意义。此外,随着基地规模不断增加,猪只数量激增,寻求有效的猪只管理措施是降低养殖成本以及提高养殖质量的有效途径。综上所述,猪只的智能化管理是解决上述问题的关键手段,而猪只身份识别是实现智能化管理的基础。因此,研究一项合适的猪只身份识别算法对于猪只智能化管理具有重要的意义。猪脸识别是解决猪只身份识别的一项可靠技术,而人脸识别技术的成熟为猪脸识别提供了可能性,在众多人脸识别方法中,基于深度学习的人脸识别方法已经发展的相当成熟。此外,卷积神经网络（Convolutional Neural Network,CNN）已经逐渐成为深度学习领域中最为重要的一种方法,其分类模型日渐成熟,各种优秀的模型在各类权威的国际竞赛上大放异彩。猪脸部识别是在猪只分类的基础上进行的,因此本文针对以卷积神经网络为研究基础的猪脸部识别方法开展了以下工作:1)当下并没有已公开的猪脸部数据集,因此本文数据集由自己制作,通过摄像头定时拍摄方式获取,避免与猪直接接触,一周拍摄一次,整个周期长达一个半月,且根据猪的生活习性在其活跃期间即喂食阶段进行拍摄,既缩小硬盘占用空间,又保证每个身份编号（Identity Document,ID）的猪只其面部姿态多样性可以最大化。2)数据集的质量对识别模型性能的影响至关重要。为提高数据质量从而提升CNN识别模型的性能,本文对获取到的初始数据集进行了一系列处理。本文针对数据集进行了背景信息去除和图像去重工作,以此去除图像中干扰因素,使CNN模型可以有效学习各ID的面部特征,并通过图像去重工作防止模型过拟合,保证CNN模型的健壮性。此外,为保证图像进入CNN进行监督学习时各ID猪只的面部特征信息最大化,对训练集中所有图像的尺寸进行数据分析,根据数据尺寸分布情况制定最合理的归一化尺寸,并采用本文介绍的等比例常量像素值填充方法对图像进行尺寸归一化,保证面部特征不因尺寸归一化而发生变化。3)在拍摄过程中,有猪中途死亡、移出、购入新猪等情况发生。上述因素无法避免,且在规模化养殖过程中也会发生,从而导致各ID猪只面部数据分布不均衡。为避免因数据不均衡导致识别模型性能差的问题,本文提出了一种基于偏度分析的多分类加权损失猪只身份识别方法,采用SE＿Res Ne Xt50网络提取各ID猪只面部特征,并且针对各ID猪只数据采集情况,提升网络对低于偏度分析值类别的关注度,抑制高于偏度分析值类别的权重,最终达到识别模型均衡提取各ID猪只面部特征的目的。经实验结果表明,针对63头能繁母猪,本文提出的猪只面部识别方法其精确率可以达到96.69%,并与其他常用的分类识别方法进行了比较,证明了本文方法的优越性。