传统体外授精一般挑选优质胚胎移植,此方法能提升胎儿25%的出生率,胚胎活力的评估主要基于胚胎学家的视觉分析,不但受限于观察者之间的差异,而且非常耗时。最近几年深度学习掀起一波热潮,它在分类任务中的效果非常好,国内外学者将其应用在细胞计数、胚胎评估和卵母细胞评估中,不但节省了很多时间,而且比人工方法准确,临床运用效果显著。因此本研究将深度学习与模型迁移结合起来,开发胚胎的自动分类方法。主要内容与成果如下:提出了基于迁移学习的胚胎分类方法,使用在大型数据集上预训练的网络作为基础网络,替换源网络分类层后,将高层卷积的参数设定为可调整,从而进行微调训练。实验采用kaggle比赛数据库中的胚胎数据集,并运用数据增强方法,对图像进行平滑和锐化处理。证明在计算资源有限的前提下,使用微调方法能得到较好的卷积神经网络,试验中微调训练的准确率高达96.93%,比没有微调的模型提升20%以上。设计了一种新的模型训练方法,解冻模型一定比例层数进行训练,并实验在模型中加入压缩激励和注意力模块,以提升模型性能。实验分析了可训练参数对模型性能的影响,结果表明冻结参数保持在30%时,模型微调训练表现最好。研究了压缩激励模块的结构原理和特点,它显式建模特征通道间的关系,从而对特征权重进行重分配,并分析了注意力模块的结构,它可以提升局部信息的关注度。结果表明压缩激励和注意力结构能提高网络的收敛速度,并降低网络训练损失的抖动,比基础模型的准确率提高4.2%。采用虚拟化容器方法提升网络的移植性,并在胚胎数据集上验证网络Efficient Net的性能,分析综合扩展网络方法的优点。Efficient Net简洁的结构使得准确率和收敛性比前三个模型好,并且与精确度同一水平的网络相比,其参数降低8.4倍,性能提升6.1倍。此项研究集成深度学习方法、延时显微镜系统和电子病历平台,可实现用于胚胎评估的全自动无创系统,具有很大的实际应用价值。