1.一种基于分布估计算法与残差网络的畜禽行为模式异常识别方法，其特征在于，包括如下步骤：

S1.在畜禽养殖环境实时获取覆盖畜禽个体及群体行为的畜禽行为多源原始数据集，并执行预处理，得到结构一致的畜禽行为统一结构数据集；

S2.基于畜禽行为统一结构数据集提取统计特征向量集合，并采用分布估计算法对统计特征向量集合进行训练，构建畜禽行为概率分布模型并保存模型参数；

S3.在目标监测周期内，将畜禽行为统一结构数据集的实时更新数据输入畜禽行为概率分布模型，计算各条数据相对于模型的概率差异得分，生成行为概率差异评分矩阵；

S4.构建残差神经网络模型并完成模型参数初始化，将行为概率差异评分矩阵作为残差神经网络模型的输入数据，执行多层残差运算获取深度异常特征向量；

S5.基于深度异常特征向量进行行为分类，输出行为异常判定结果，并为每一条畜禽行为数据标注正常行为标记或异常行为标记，结合行为异常判定结果与对应时间戳信息，执行时间序列回溯分析和空间位置映射，生成行为轨迹聚合结果，将行为异常判定结果与行为轨迹聚合结果依据预设规则完成异常等级划分。

2.根据权利要求1所述的一种基于分布估计算法与残差网络的畜禽行为模式异常识别方法，其特征在于，所述S1包括以下步骤：S11.在畜禽养殖环境中，获取畜禽行为多源原始数据，构建畜禽行为多源原始数据集，畜禽行为多源原始数据集中的每条数据项由五个部分组成，分别为：采集时间戳ti、图像帧数据Ii、红外热成像数据Mi、动作加速度数据Ai和音频特征向量Vi，图像帧数据Ii为三维张量结构，表示为高度、宽度与通道维度构成的图像，红外热成像数据Mi记录温度分布信息；动作加速度数据Ai表示物体在各轴向上的加速度，音频特征向量Vi为由频率与振幅构成的音频信号特征表达，畜禽行为多源原始数据集包含N条畜禽行为数据项；

S12.对畜禽行为多源原始数据集进行数据缺陷剔除处理，筛除包含图像缺帧、时间断点、数值空缺或异常值的数据项，仅保留满足完整性与合法性约束的有效数据项，并统一所有图像帧数据的尺寸为指定标准尺寸，统一音频特征向量维度为固定长度Lv，并将动作加速度数据按照统一的采样率fA进行重采样，依据采集时间戳建立一条基准时间线T，将所有模态数据按统一时间尺度对齐，基准时间线包含K个时间步，每个时间步对应一个时间戳tk，在每个时间步上，将来自不同模态的数据同步聚合，生成时间对齐后的多模态数据序列集合；

S13.对时间对齐后的多模态数据序列集合执行噪声过滤处理，对图像帧数据采用边缘增强算法提升图像清晰度，对音频特征向量应用滑动窗口滤波器消除高频扰动，对动作加速度数据进行中值滤波平滑突变信号，分别得到噪声抑制后的图像帧数据I′k、红外热成像数据M′k、动作加速度数据A′k与音频特征向量V′k，得到结构一致的畜禽行为统一结构数据集Dfinal。

3.根据权利要求2所述的一种基于分布估计算法与残差网络的畜禽行为模式异常识别方法，其特征在于，所述S2包括以下步骤：S21.基于畜禽行为统一结构数据集Dfinal，从图像帧数据I′k、红外热成像数据M′k、动作加速度数据A′k与音频特征向量V′k中提取模态感知统计特征，构建模态感知统计特征向量fk；

S22.将模态感知统计特征向量集合输入改进型条件分布估计算法模块，在改进型条件分布估计算法模块建模过程中引入时间上下文依赖性与模态互信息耦合关系，构建面向行为演化的条件概率密度模型P(fk∣fk-1)：其中，fk-1为连续时间步k-1的模态感知统计特征向量，I(fk)表示不同模态间的信息冗余度量，基于互信息准则计算，反映图像、温度、动作与音频之间的协同变化程度，α、β为调控参数，分别衡量行为连续性与模态耦合性的重要程度，Z为归一化因子；

S23.通过最大化训练样本在条件概率密度模型P(fk∣fk-1)下的对数似然，获取模型最优参数集合Θcde。

4.根据权利要求3所述的一种基于分布估计算法与残差网络的畜禽行为模式异常识别方法，其特征在于，所述模态感知统计特征向量fk包含每个模态在当前时间步上的行为描述信息和变化趋势量度，包括图像帧亮度均值μI,k、图像帧亮度标准差σI,k、图像帧之间亮度变化速率ΔIk；

亮度变化速率ΔIk表示当前帧与上一帧图像之间的帧差变化程度，用于刻画图像层面上的行为激烈程度。

红外热成像数据提取的特征包括温度均值μM,k、温度标准差σM,k及体温突变幅度ΔMk，其中体温突变幅度ΔMk表示当前时间步体温均值与上一时间步体温均值之间的绝对差值，用于反映应激、疾病或局部过热等行为异常信号；

动作加速度数据提取的特征包括加速度均值μA,k、加速度标准差σA,k以及动作变异度ΔAk，其中动作变异度ΔAk表示当前时间步加速度矢量与上一时间步加速度矢量之间的欧几里得距离，反映畜禽运动的突变程度与步态不稳定情况；

音频特征向量提取的特征包括音频频率均值μV,k、音频能量标准差σV,k以及声音变化幅度ΔVk，其中声音变化幅度ΔVk表示当前音频频率均值与上一时间步音频频率均值之间的绝对差值，用于识别如叫声突变、求助、尖叫音频异常行为。

5.根据权利要求3所述的一种基于分布估计算法与残差网络的畜禽行为模式异常识别方法，其特征在于，所述S3包括以下步骤：S31.在目标监测周期内，采集当前时间步tk的畜禽行为统一结构数据项dk，生成模态感知统计特征向量fk，将模态感知统计特征向量fk与上一时间步模态感知统计特征向量fk-1输入条件概率密度模型P(fk∣fk-1)，计算当前行为对数似然评分：其中，表示行为对数似然评分，α、β、Z分别为模型训练确定的行为连续性调控参数、模态耦合性调控参数与归一化因子；

S32.利用训练阶段获得的行为对数似然评分的平均值与标准差为基准，计算当前时间步tk的行为概率差异评分Sk，行为概率差异评分Sk表示当前行为在分布模型中的偏离程度，行为概率差异评分Sk是将当前行为对数似然评分与基准均值之间的差异除以评分标准差所得，用于量化当前行为偏离正常模式的程度；

S33.在包含当前时间步的滑动窗口Wk＝{Sk-w+1,...,Sk}上，计算窗口评分序列的局部平均值标准差σW、偏度γW与峰度κW，定义动态行为异常阈值，动态行为异常阈值τk由局部平均评分值、标准差、偏度与峰度线性组合而成；

S34.将当前时间步tk的行为概率差异评分Sk与动态行为异常阈值τk进行比较，若行为概率差异评分Sk超过阈值τk，则将当前时间步tk的行为标记为异常行为，所有被标记为异常行为的时间步集合组成初步异常行为标记集合Ainit；

S35.对初步异常行为标记集合Ainit中所对应的模态感知统计特征向量进行密度聚类分析，将异常行为根据其模态感知特征的相似程度划分为多个异常行为聚类簇，形成聚类簇集C，聚类簇集中的每个聚类簇cj表征一种具有相似行为变化模式的异常类别；

S36.若任一异常行为聚类簇cj中包含的异常行为数量超过预设聚类数量阈值θgroup，则触发全局评分阈值下调机制，全局评分阈值下调机制将当前动态行为异常阈值τk与局部平均评分值与偏度的加权组合进行比较，更新得到一个新的全局评分阈值下限S37.输出包含以下三项信息的行为概率差异评分矩阵Sfinal：每个时间步的行为概率差异评分Sk、经聚类反馈调整后的全局评分阈值以及该时间步在异常行为聚类分析中所属的聚类标识符ClusterIDk。

6.根据权利要求5所述的一种基于分布估计算法与残差网络的畜禽行为模式异常识别方法，其特征在于，所述S4进一步包括以下增强步骤：S41.在残差神经网络模型中嵌入多尺度时序感知模块，对输入行为概率差异评分矩阵Sfinal进行多尺度卷积处理，构建尺度集尺度集中每个尺度R(s)表示在卷积核感受野为s的条件下提取的残差表示；

S42.将各尺度下的残差表示R(s)输入行为注意力引导模块，生成对应的行为注意力权重α(s)：其中，为尺度s下时间步k的残差表示，Ck为原始行为评分特征，Wr、Wc、w、b为注意力机制中训练参数，为第s尺度在第k时间步下的行为注意力权重，tanh为双曲正切函数，表示在多尺度时序感知模块中，为尺度s的条件下于时间步k′的残差特征表示，Ck′为时间步k′下的行为评分特征；

S43.对所有尺度残差表示結合行为注意力权重进行加权融合，生成跨尺度残差融合特征表示用于表征畜禽异常行为在不同粒度上的动态特性；

S44.引入异常稀疏感知模块，在训练阶段引入异常重构损失函数优化残差神经网络模型对稀有异常的判别能力：其中，zk为第k时间步的深度异常特征向量，为重构目标向量，为第k时间步是否为异常的标志函数，‖zk‖1为异常特征稀疏性正则项，λs为稀疏性调节系数；

S45.将引入行为注意力引导模块、跨尺度残差融合特征与异常稀疏感知模块的残差网络输出作为最终异常判别输入，形成增强型深度异常特征序列Zenhanced。

7.根据权利要求6所述的一种基于分布估计算法与残差网络的畜禽行为模式异常识别方法，其特征在于，所述S5包括以下步骤：S51.将增强型深度异常特征序列输入行为分类判别模块，采用软分类方式计算每个时间步tk对应的行为异常概率其中，为第k个时间步经过残差神经网络模型提取得到的深度异常特征向量，包含畜禽在当前时刻的多模态行为融合表示，Wo为分类权重向量，用于将深度异常特征向量映射到标量空间，bo为偏置项，exp(·)为自然指数函数，配合分母中的1+exp(·)构成逻辑函数；

S52.依据行为异常概率设定分类阈值θp，当行为异常概率时，将该时间步行为标记为异常行为，生成异常行为标记集合Aflag，所有未被标记的时间步对应行为默认为正常行为；

S53.结合每一异常时间步tk∈Aflag的采集时间戳与原始畜禽个体或群体的空间定位信息，执行时间序列回溯分析，构建畜禽个体或群体在异常发生前后一定时间窗口内的行为演化轨迹，形成异常行为轨迹集合；

S54.基于异常行为轨迹集合与每个异常行为时间步对应的空间位置数据Lk，构建空间位置映射集合，并对异常点的空间密度进行统计分析，揭示异常行为的时空聚集特征；

S55.将行为异常判定结果与异常行为轨迹集合融合，依据预设异常等级划分规则对每一时间步的异常行为进行分级处理。

8.根据权利要求7所述的一种基于分布估计算法与残差网络的畜禽行为模式异常识别方法，其特征在于，所述异常等级划分规则参考以下标准：一级异常：行为异常概率对应轨迹范围内出现连续异常≥3次，且异常点在空间上形成高密度聚集，局部区域内5分钟内发生异常点数量≥5；

二级异常：行为异常概率轨迹范围内存在异常点2至3次，空间位置分布为局部集中或周期性出现；

三级异常：行为异常概率轨迹中出现单一异常点或随机分布，未形成聚集特征。