La identificación individual de vacas es un requisito previo para monitorear automáticamente los patrones de comportamiento, el estado de salud y los datos de crecimiento de cada vaca. Los métodos basados en imágenes tienen una mala adaptabilidad a diferentes entornos y tamaños de objetivo, y una baja precisión de detección en escenas complejas. Para resolver estos problemas, este estudio diseña un módulo Dy_Conv (es decir, convolución dinámica) e innovadoramente construye un módulo Dynamic_Bottleneck basado en Dy_Conv y el mecanismo S2Attention (Atención de desplazamiento escaso). Sobre esta base, reemplazamos las primeras y cuartas capas de embotellamiento de Resnet50 con el Dynamic_Bottleneck para lograr una extracción precisa de características locales e información global de las vacas. Además, se introduce el módulo QAConv (es decir, convolución adaptativa de consulta) en la parte frontal de la red de respaldo, con el fin de adaptarse a los cambios de escala en los objetivos de las vacas en las imágenes de entrada; al mismo tiempo, se incrusta la atención NAM (es decir, módulo de atención basado en normalización) en la parte posterior de la red para distinguir mejor a las vacas individuales visualmente similares. Los experimentos se llevaron a cabo en conjuntos de datos públicos recopilados de diferentes establos. Los resultados experimentales mostraron que el modelo propuesto mejoró la precisión de la identificación individual de vacas en escenas complejas.