Современные тенденции в агропромышленной сфере диктуют необходимость внедрения систем автоматизированного мониторинга, измерения и анализа производственных процессов для обеспечения эффективного управления сельскохозяйственным сектором на основе данных об объектах. В частности, точное практическое определение показателя массы новорожденных поросят позволяет повысить эффективность селекционно-генетических работ, рентабельность стада, снизить падеж. Цель исследования – разработка методики бесконтактного взвешивания поросят в период опороса. Предложенная методика базируется на выделении из изображения морфологических признаков животных (длина и площадь тела) и аппроксимации их взаимосвязей с массой с использованием глубоких нейронных сетей. Для оценки морфологических признаков обучен каскад моделей семейства YOLO, включающий в себя детектор, сегментатор и модель для оценки позы. При разработке подхода к оценке массы поросят был проведен сравнительный анализ различных моделей (градиентный бустинг, MLP (MultiLayer Perceptron - многолинейный перцептрон), линейные и рекуррентные модели). Наибольшую точность определения массы продемонстрировала композиция моделей MLP и рекуррентной нейронной сети: ошибка в оценке массы по метрике MAPE (Median Absolute Percentage Error - медианная абсолютная процентная ошибка) составила 2,8 %, коэффициент детерминации 0,93. Работоспособность нейросетевого алгоритма успешно подтверждена при апробации на площадке племенного репродуктора одного из крупнейших холдингов. Средняя точность предсказания итоговой моделью живой массы новорожденных поросят по открытому и закрытому датасету составила 92,3 %.