为控制船舶压载水造成的外来生物入侵,国际压载水公约要求港口国开展监督检查,保证处理后压载水中微生物的存活数量满足公约相应标准后方可排放。目前,针对微生物活性检测的方法众多,但仍存在不足,所以仍有必要开展新的微生物活性检测技术。微藻是港口国监督检查压载水中主要的有害微生物,在前期的研究中发现,不同尺寸和活性的微藻,其电动运动速度存在差异,通过实验发现,尺寸-速度可以作为一种判断其活性的有效指标。然而,人工测量尺寸和电动速度费时,且难以实现现场检测。基于上述问题,本文采用图像处理与光流法,实现微藻尺寸和速度的智能可靠测量。同时,为了识别压载水中有害藻类,本文优化深度学习网络,在连续帧上对微藻种类进行智能识别。具体研究内容如下:（1）利用显微镜自带软件,人工测量了不同种类和活性的微藻在10%PEG溶液改性微通道中的电动运动速度,实验结果表明:由于微藻自身表面带负电荷,在电场的驱动下,向电源正极移动,并且尺寸越大,速度越小。对于同种微藻,死藻的速度较活藻的速度降低80%以上,本项研究为发展智能化分析提供了理论依据。（2）通过图像处理技术,精确获得微藻的尺寸,并基于L-K光流法针对其电动速度进行了计算,与人工测得数据进行对比,探究智能分析的准确性与可靠性。研究结果表明:相较于人工测得的数据,轮廓检测和光流法具有更高的准确性。主要原因为:后者是针对目标像素级的检测计算,减少人为因素产生的影响。（3）采用稀疏光流法预测连续图像帧之间微藻的运动光流,提取光流较大的图像帧作为运动关键帧,用于优化深度特征流算法,提高其检测精度。使用自制的微藻数据集对网络进行训练,研究结果表明:经20000次的迭代训练,网络的损失函数收敛至0.39,测试集的识别精度m AP值达到71.3%,同时在运动变化较大的连续图像上,优化后的网络表现效果相较于原始算法有了明显地提高,实现了对运动微藻的准确识别。本文提出采用轮廓检测和光流法精确地测量微藻的尺寸和电动速度,对于发展新型现场分析仪器具有一定的借鉴意义。此外,建立了优化深度特征流网络的微藻识别方法,为将来压载水中微生物的特异性识别提供一种新思路。