El reconocimiento y seguimiento del comportamiento de los cerdos en grupo en la ganadería son ayudas efectivas para el monitoreo de la salud y el bienestar en entornos comerciales. Sin embargo, debido a las exigentes condiciones de la granja, los objetivos en los videos de cerdos están fuertemente ocultos y superpuestos, y hay cambios de iluminación, lo que provoca cambios de error en la identificación (ID) de los cerdos en el proceso de seguimiento y disminuye la calidad del seguimiento. Para resolver estos problemas, este estudio propuso un algoritmo mejorado de DeepSORT para el seguimiento de objetos, que contenía tres procesos. En primer lugar, se desarrollaron dos detectores, YOLOX-S y YOLO v5s, para detectar objetivos de cerdos y clasificar cuatro tipos de comportamientos de cerdos, incluidos acostarse, comer, estar de pie y otros. Luego, se desarrolló el DeepSORT mejorado para el seguimiento del comportamiento de los cerdos y para reducir los cambios de error en la identificación de cerdos al mejorar el procesamiento de trayectorias y la asociación de datos. Finalmente, establecimos la anotación del conjunto de datos público de cerdos en grupo, con 3600 imágenes en total de 12 videos, que eran adecuadas para aplicaciones de seguimiento de cerdos. La ventaja de nuestro método incluye dos aspectos. Uno es que el procesamiento de trayectorias y la asociación de datos se mejoran apuntando a escenarios específicos de cerdos, que son escenas interiores, y el número de objetos objetivo de cerdos es estable. Esta mejora reduce los cambios de error en la identificación de cerdos y mejora la estabilidad del seguimiento. El otro es que la información de clasificación de comportamiento de los detectores se introduce en el algoritmo de seguimiento para el seguimiento del comportamiento. En los experimentos de detección y reconocimiento del comportamiento de los cerdos, los detectores YOLO v5s y YOLOX-S lograron una alta tasa de precisión del 99.4% y 98.43%, una tasa de recuperación del 99% y 99.23, y una tasa de precisión promedio (mAP) del 99.50% y 99.23%, respectivamente, con un AP.5:.95 de 89.3% y 87%. En los experimentos de seguimiento del comportamiento de los cerdos, el algoritmo DeepSORT mejorado basado en YOLOX-S obtuvo una precisión de seguimiento de múltiples objetos (MOTA), cambios de ID (IDs) e IDF1 del 98.6%, 15 y 95.7%, respectivamente. En comparación con DeepSORT, mejoró en un 1.8% y un 6.8% en MOTA e IDF1, respectivamente, y los IDs tuvieron una disminución significativa, con una caída del 80%. Estos experimentos demuestran que el DeepSORT mejorado puede lograr el seguimiento del comportamiento de los cerdos con valores de ID estables en condiciones comerciales y proporcionar soporte técnico escalable para el monitoreo automatizado sin contacto de cerdos.