A medida que la industria ovina avanza rápidamente hacia la modernización, digitalización e inteligencia, existe la necesidad de construir granjas de cría integradas con big data. Al recopilar información individual sobre las ovejas, se puede llevar a cabo una cría de precisión para mejorar la eficiencia de cría, reducir costos y promover prácticas de cría saludables. En este contexto, la identificación precisa de ovejas individuales es esencial para establecer granjas de ovejas digitalizadas y una ganadería de precisión. Actualmente, los académicos utilizan tecnología de aprendizaje profundo para construir modelos de reconocimiento, aprendiendo las características biológicas de las caras de las ovejas para lograr una identificación precisa. Sin embargo, los métodos de investigación existentes están limitados al reconocimiento de patrones a nivel de imagen, lo que lleva a una falta de diversidad en los métodos de reconocimiento. Por lo tanto, este estudio se centra en la oveja de cola pequeña de Han y desarrolla un método de reconocimiento de caras de ovejas basado en tecnología de reconstrucción tridimensional y coincidencia de puntos de características, con el objetivo de enriquecer la investigación teórica sobre la tecnología de reconocimiento de caras de ovejas. El enfoque específico de reconocimiento es el siguiente: se recopilan imágenes de caras de ovejas de ángulo completo de ovejas experimentales, y se generan modelos de caras de ovejas tridimensionales utilizando tecnología de reconstrucción tridimensional, obteniendo además imágenes de caras de ovejas tridimensionales desde tres perspectivas diferentes. Además, este estudio desarrolló un algoritmo de reconocimiento de orientación de caras de ovejas llamado algoritmo de reconocimiento de orientación de caras de ovejas (SFORA). El SFORA incorpora el mecanismo ECA para mejorar aún más el rendimiento del reconocimiento. En última instancia, el SFORA tiene un tamaño de modelo de solo 5.3 MB, con una precisión y un puntaje F1 que alcanzan el 99.6% y el 99.5%, respectivamente. Durante la tarea de reconocimiento, primero se utiliza el SFORA para el reconocimiento de orientación de caras de ovejas, seguido de la coincidencia de la imagen de reconocimiento con la imagen de cara de oveja tridimensional correspondiente basada en el algoritmo de coincidencia de características SuperGlue establecido, produciendo finalmente el resultado del reconocimiento. Los resultados experimentales indican que cuando el umbral de confianza se establece en 0.4, SuperGlue logra el mejor rendimiento de coincidencia, con precisiones de coincidencia para las caras frontal, izquierda y derecha que alcanzan el 96.0%, 94.2% y 96.3%, respectivamente. Este estudio enriquece la investigación teórica sobre la tecnología de reconocimiento de caras de ovejas y proporciona apoyo técnico.