近十年来,AI技术突飞猛进,智能采血系统受到了越来越广泛的关注。一个理想的智能采血系统大都是依赖于多模式图像来引导自动采血机构运作的。以多模式图像为基础,如何高效地获取静脉访问价值较高的靶静脉段的三维信息是智能采血系统面临的主要问题。本研究的目的是开发一种基于近红外图像和超声图像的手臂静脉识别及采血针定位算法,以引导采血系统稳定、精确、高效地工作。本文主要研究内容由以下三部分构成:首先,我们将基于手臂近红外图像来进行最佳的静脉穿刺位置以及穿刺方位:对于一幅手臂近红外图像,考虑到算法实时性的问题,我们首先要确定一个ROI区域,继而减少处理时间,提高效率。而后设计基于Hessian矩阵的静脉特征增强算法,获取ROI区域的静脉纹路特征。而后,设计静脉宽度特征可视化算法,以实现对访问价值较高的靶静脉段的自动定位。最后,进行访问安全性检验,而后把质量评价优秀的靶静脉段自动定位方案提供给自动采血机构。其次,获取精确的静脉深度信息以确定穿刺深度:在定位到靶静脉段之后,通过超声探头获取该段静脉的纵截面超声图像。对于靶静脉段的纵截面超声图像,其特点为:目标静脉在图像中结构较为固定,语义简单明确,使用低分辨率信息即可进行目标物体的识别;同时,目标静脉边界模糊、梯度复杂,需要较多的高分辨率信息,用于精准分割。非常适合使用U-Net神经网络结构进行静脉分割。这里我们将基于U-Net神经网络结构设计一种静脉深度特征可视化算法,获取该段靶静脉的深度信息。而后将宽度特征和深度特征相结合,进行待穿刺静脉片段的3D信息重建。最后,为保障智能采血系统在进行穿刺操作时的安全性,本文设计了一种基于超声图像的采血针定位算法,在对靶静脉段进行穿刺的过程中,使用RANSAC算法对采血针进行检测定位,引导采血针的工作,保障整个设备运转的安全性。本研究开发的算法,静脉提取效果良好,提供的静脉信息直观、全面,且运行效率较高,初步满足了当前智能采血系统的使用需求。