为在红外相机等资源受限平台上实时、准确地实现海量野生动物图像自动识别，改善野生动物监测过程中数据传输负载重、时效性低等问题，基于YOLOv5模型，利用5类物种的红外相机图像构建数据集，对YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四种网络结构进行训练。通过对比不同网络结构的精度、检测速度、体积，明确最优网络结构；同时分析模型在复杂背景信息干扰下的识别效果，评价YOLOv5在真实野外场景的适用性；并通过与其他同类算法的比较，明确YOLOv5用于野生动物识别的优势。实验结果表明：四种网络结构的识别精度均较高，F1-score和平均精度（mAP）均在90%以上，其中YOLOv5m的综合性能最好；YOLOv5在多种复杂背景信息干扰下识别效果仍较好，能够很好地适应真实野外场景；与其他算法相比，YOLOv5同时具有精度高、鲁棒性强、资源占用低等优势。YOLOv5是一种轻量化的模型且性能优越，为在资源受限的平台上进行野生动物实时识别提供了新的契机。

采用深度学习方法,利用网络爬取、实地拍摄两种方式获取数据,并构建基于Faster R-CNN(region-based convolutional neural networks)的金丝猴优化检测模型。通过比较不同的模型,明确模型的最优构建方案;通过对比基于不同训练集构建的模型的检测精度,探究建模数据最优补充方案。研究结果表明:相比Vgg16和Res50网络,基于Res101网络在迭代70000次时可以构建最优的模型;在实测数据有限时,可以采用网络图片作为替代数据源进行金丝猴面部检测,并且可以将其作为辅助数据源优化金丝猴身体检测效果;相对于经典的卷积神经网络,该方法不仅检测效果更好,而且运行时间更少;该模型可以在复杂生态背景图片中有效地进行金丝猴定位与识别。所提方法对金丝猴野外发现与跟踪有很强的现实意义。