个体识别是野生动物行为和生态研究的基础。大熊猫(Ailuropoda melanoleuca)作为生物多样性保护的旗舰物种,如何对其个体进行长期监测一直是一个挑战。传统的跟踪监测方法如GPS项圈法、视觉识别等都存在一定的局限性,限制了这些方法在野外的大规模应用。如果能够探索出一种可靠、有效的大熊猫个体识别方法,这将进一步帮助大熊猫相关研究的开展。为此,本文提出一种基于深度学习技术的大熊猫面部识别方法,主要研究内容包括以下几个方面:(1)制作大熊猫面部图像数据集。采用专业录像设备进行拍摄,采集到来自四个大熊猫基地共48个大熊猫个体的视频数据。其中数据集的制作包括提取大熊猫视频帧、标注面部信息、样本预处理与数据增强等操作。(2)检测大熊猫面部区域。从图像中获取大熊猫面部区域是大熊猫面部识别方法中的首要关键步骤。本文利用YOLO v3目标检测算法对大熊猫面部区域进行检测,模型测试得到的mAP达到99.54%。面部检测模型不仅能准确检测到不同大小的大熊猫面部区域,而且对有遮挡、不同光照环境下大熊猫面部区域也具有很好的检测效果。(3)针对大熊猫面部视角变化和表情变化带来的识别困难,给出一种用于大熊猫面部识别的卷积神经网络模型(Convolutional Neural Network,CNN)。该模型在VGGNet模型的基础上进行改进,通过加入金字塔池化层(Spatial Pyramid Pooling,SPP)进行多尺度池化,采用跨层连接将浅层提取的特征传递到深层进行融合,从而增加模型的特征表达能力。同时添加批归一化层(Batch Normalization,BN)提升网络训练的速度与稳定性。该模型能够正确识别验证数据集中约99%的大熊猫个体,识别准确率较原始模型大大提高,即使在面部图像发生变形时,也依然拥有较强的识别性能。最后通过检测模型与识别模型的结合,可以对大熊猫个体进行自动化检测与识别,识别结果有助于对大熊猫进行长期监测、行为大数据分析等研究。