肉鸽行为表现与鸽舍环境舒适度和肉鸽健康状况密切相关。为实现肉鸽行为精准检测、及时把控肉鸽健康状况，提出了基于改进YOLO v4模型的肉鸽行为检测方法。由于肉鸽社交等行为特征相似性程度高，为了在复杂环境下准确识别肉鸽行为，本文采用自适应空间特征融合（Adaptively Spatial Feature Fusion，ASFF）模块改进YOLO v4模型，在特征金字塔网络中增加ASFF模块，根据特征权值自适应融合多层特征，充分利用不同尺度特征信息，并且ASFF模块能有效过滤空间冲突信息、抑制反向梯度不一致问题、改善特征比例不变性以及降低推理开销。基于多时段的肉鸽清洁和社交行为数据集，自制5类肉鸽行为图像数据库，采用OpenCV工具进行模糊、亮度、雾霾和噪音等处理扩充图像数据集（共10320幅图像），增加数据多样性和模拟不同识别场景，提升模型泛化能力。本文按照比例8:2划分训练集和验证集，训练总共迭代300 周期，对不同时段、角度、尺寸的肉鸽数据集进行检测。检测结果表明YOLO v4-ASFF在阈值0.50和0.75时检测精度比YOLO v4的mAP50和mAP75提升了14.73、14.97个百分点。对比Faster RCNN、SSD、YOLO v3、YOLO v5 和CenterNet模型验证模型检测性能，在测试集中mAP50分别提升了13.98、14.00、18.63、14.16、10.87个百分点。视频检测速度为8.1 帧/s，在推理速度相当情况下，本文改进模型识别准确率更高，复杂环境泛化能力更强，且对相似度高的行为误检和漏检情况更少，本文研究肉鸽行为检测可为智能化肉鸽养殖和科学管理提供技术参考。