針對(duì)奶牛行為分類(lèi)過(guò)程中決策樹(shù)算法構(gòu)建主觀性強(qiáng)、閾值選取無(wú)確定規(guī)則，易導(dǎo)致分類(lèi)精度差的問(wèn)題，該文提出一種基于最優(yōu)二叉決策樹(shù)分類(lèi)模型的奶牛運(yùn)動(dòng)行為識(shí)別方法，首先選取描述奶牛腿部三軸加速度數(shù)值大小、對(duì)稱(chēng)性、陡峭程度、變異程度、不確定性及夾角的 24 個(gè)統(tǒng)計(jì)特征量，其次通過(guò)構(gòu)建 ROC（receiver operating characteristic，ROC）曲線獲得各統(tǒng)計(jì)特征量的最佳行為類(lèi)別分組方式及最優(yōu)閾值，然后利用信息增益作為最優(yōu)二叉決策樹(shù)劃分屬性的選擇標(biāo)準(zhǔn)，最終構(gòu)建最優(yōu)二叉決策樹(shù)分類(lèi)模型對(duì)奶牛運(yùn)動(dòng)行為進(jìn)行分類(lèi)識(shí)別。試驗(yàn)結(jié)果表明，該分類(lèi)模型能夠有效區(qū)分奶牛的站立、平躺、慢走、快走、站立動(dòng)作、躺臥動(dòng)作 6 種運(yùn)動(dòng)行為，平均準(zhǔn)確率、平均精度、平均 F1 值分別為 76.47%、76.83%、 76.57%，相較傳統(tǒng)的 ID3（iterative dichotomiser 3，ID3）決策樹(shù)算法分別高 5.71、5.4 和 5.61 個(gè)百分點(diǎn)，分別高于 K-means 聚類(lèi)算法 7.51、8.02 和 7.77 個(gè)百分點(diǎn)，優(yōu)于支持向量機(jī)算法 6.77、6.72 和 6.57 個(gè)百分點(diǎn)。該方法可為提高奶牛行為分類(lèi)精度提供有效的理論支撐。