El método propuesto en este documento proporciona apoyo teórico y práctico para el reconocimiento y gestión inteligente de ganado vacuno. La identificación y el seguimiento precisos de los comportamientos del ganado vacuno son componentes esenciales de la gestión de la producción de carne de res. Los métodos tradicionales de identificación y seguimiento del ganado vacuno son lentos y requieren mucho trabajo, lo que dificulta la agricultura ganadera precisa. Este documento utiliza algoritmos de aprendizaje profundo para lograr la identificación y el seguimiento de comportamientos de múltiples objetos en el ganado vacuno, de la siguiente manera: (1) El módulo de detección de comportamientos del ganado vacuno se basa en el algoritmo YOLOv8n. Inicialmente, se introduce un módulo de convolución de serpiente dinámica para mejorar la capacidad de extraer características clave de los comportamientos del ganado vacuno y ampliar el campo receptivo del modelo. Posteriormente, se incorpora el mecanismo de atención BiFormer para integrar información de características de alto y bajo nivel, aprendiendo de manera dinámica y dispersa las características de comportamiento del ganado vacuno. El algoritmo mejorado YOLOv8n_BiF_DSC logra una precisión de identificación del 93.6% para nueve comportamientos, incluyendo estar de pie, acostarse, montar, pelear, lamer, comer, beber, trabajar y buscar, con precisiones promedio de 50 y 50:95 del 96.5% y 71.5%, mostrando una mejora del 5.3%, 5.2% y 7.1% sobre el YOLOv8n original. (2) El módulo de seguimiento de múltiples objetos del ganado vacuno se basa en el algoritmo Deep SORT. Inicialmente, el detector se reemplaza por YOLOv8n_BiF_DSC para mejorar la precisión de detección. Posteriormente, el modelo de red de reidentificación se cambia a ResNet18 para mejorar la capacidad del algoritmo de seguimiento para recopilar información de apariencia. Finalmente, el proceso de generación y coincidencia de trayectorias del algoritmo Deep SORT se optimiza con coincidencia secundaria de IOU para reducir los errores de desajuste de ID durante el seguimiento. La experimentación con cinco niveles de complejidad diferentes de secuencias de video de prueba muestra mejoras en IDF1, IDS, MOTA y MOTP, entre otras métricas, con IDS reducido en un 65.8% y MOTA aumentada en un 2%. Estas mejoras abordan problemas de omisión de seguimiento y mala identificación en entornos escasos y densos de largo alcance, facilitando así un mejor seguimiento del ganado vacuno criado en grupo y sentando las bases para la detección y seguimiento inteligentes en la ganadería de carne de res.