活性污泥法广泛应用于污水处理,生物降解和絮凝是保障良好的泥水分离效果和污水处理厂高效稳定运行的关键步骤。污泥体积指数（Sludge Volume Index,SVI）是表征活性污泥沉降和压缩性能参数。污泥膨胀的发生常常导致污泥流失、出水水质恶化、成本增加、活性生物量损失,严重危害污水处理厂运行。基于定量图像分析和处理是监视活性污泥性能和污泥体积指数的一种有效手段。絮体和丝状菌图像分割和形态学特征提取是活性污泥相差显微图像处理和分析的基础,直接影响污泥膨胀预测模型性能。本文针对活性污泥相差显微图像复杂背景下丝状菌微小目标难以分割问题,提出了基于分块分割深度学习模型。针对表征一个活性污泥样品的多张显微图像不确定性导致SVI点估计可靠性弱问题,提出基于絮体和丝状菌形态学特征子集的SVI区间预测方法。本论文主要研究内容包括以下几点:1.在沈阳某城市污水厂进行活性污泥样本采集,为了表征活性污泥样本的特性,将采集的每个样本使用图像采集装置获取36张彩色活性污泥显微图像。获取的图像需要通过专业的标注软件Label Me进行标注,从而构建数据集。2.传统图像分割方法处理活性污泥相差显微图像往往存在过分割、欠分割,甚至分割失败问题。针对活性污泥显微图像丝状菌微小目标分割效果差问题,本文采用基于Mobile Net V2＿CBAM主干网络的Deep Lab V3+污泥相差显微图像分块分割模型。该方法以一定重叠率将一张高分辨相差显微图像切分成多块小区域,基于Deep Lab V3+网络结构,融合改进后轻量级模型Mobile Net V2＿CBAM作为主干网络分别对每块进行分割,再将各目标区域分割图像拼接恢复到原始分辨率。实验结果表明,本文提出的带有分块策略轻量化深度学习分割模型相对于未分块的网络模型在分割精确率、召回率、像素准确率和Io U性能指标上有一定程度的提升,模型大小显著减小。3.针对单张显微图像难以表征一个活性污泥样品,沿xy轴从左上角到右下角为给定的载玻片区域系统扫描一组彩色图像,多张图像共同表征一个活性污泥样本,由于不同样本图像采集扫描过程中很难保障多张图像覆盖相同区域,图像采集的不唯一性直接影响SVI点预测的准确性和可靠性。本文提出基于絮体和丝状菌形态学特征子集的SVI区间预测方法。该方法是先采用随机森林特征重要性排序与Pearson相关系数相结合对特征进行选择和去冗余操作构建特征子集,再利用上下界估计法（Lower Upper Bound Estimation,LUBE）将特征子集作为输入对SVI进行区间预测,量化与点预测相关的不确定性。传统LUBE的损失函数是非线性、复杂且不可微的,基于梯度下降（Gradient Descent,GD）的算法不能用于其最小化,采用一种损失函数使其可以使用GD训练LUBE（GD-LUBE）。实验结果表明,基于特征子集的GD-LUBE方法可以构造区间宽度更窄、覆盖概率适当的预测区间,在同样使用特征子集作为输入的情况下,GD-LUBE在预测区间覆盖概率和平均预测区间宽度优于其他算法,从而为污水处理厂提供更有价值的信息。