[目的]针对规模化养殖环境下死鸡巡检自动化程度低、人工巡检费时费力等问题，提出一种基于图像配准融合算法和改进YOLO v5s的死鸡检测方法。[方法]为提高死鸡目标特征的显著性，利用SURF算法结合RANSAC算法实现热红外与可见光图像的特征点匹配，采用仿射变换模型得到配准图像，使用小波变换实现图像的分解重构，从而得到最终的配准融合图像；为降低背景信息对死鸡目标检测的干扰，提升模型对鸡只遮挡情况的检测效果，以YOLO v5s目标检测算法为基础，通过加入SE注意力模块，将CIoU＿Loss和DIoU＿NMS运用于原模型，构成改进后的YOLO v5s-SE模型。[结果]配准融合后的图像与源图像的相关系数平均值达到0.86,体现了良好的配准融合效果；模型在融合图像上的检测准确率以及平均精度均值均高于可见光图像和红外图像，改进后的YOLO v5s-SE相较于原始YOLO v5s在融合数据集上的检测准确率提升了3.3%,达到97.7%。[结论]改进后的YOLO v5s-SE在保证应有检测速度的同时提升了目标检测的精度，可满足实际生产中死鸡实时检测的需求。