东北虎（Panthera tigris altaica）作为世界上最大的猫科（Felidae）动物，同时也是濒危物种，其个体识别是回答进化生物学中许多重大问题的关键步骤。尽管目前已提出虹膜和DNA分析等传统方法用于东北虎个体识别，但这些方法在远程获取和样本收集方面面临挑战，且在很大程度上依赖人工识别。随着计算机视觉技术的发展，深度学习成为动物个体识别的强大工具。因此，提出使用基于深度学习的方法进行东北虎个体识别。首先收集黑龙江东北虎林园20只东北虎个体的监控视频图像，然后采用Mask R-CNN算法对每张图像中的特征区域进行自动检测与分割，以构建东北虎条纹数据集（Amur tiger stripe dataset,ATSD），最后在该数据集的基础上分别应用基于CNN和Transformer的多个分类网络独立地对东北虎个体进行识别。结果表明：基于Transformer的分类网络对东北虎条纹的识别准确率达到91.49%，取得了更好的识别性能。该方法在降低拍摄条件下，对复杂环境具有良好的适用性，具有扩展生态学调查和非侵入性抽样设计的潜力，为野生动物的保护和管理提供技术支持。