卵母细胞的低温保存在生育力保存、卵母细胞库构建等诸多方面都有着极其重要的意义。不过由于保存过程中的许多步骤欠优化,如保护剂的添加与去除,降温与复温的速率设计等,使得卵母细胞的低温保存成功率非常的低。温度依赖的卵母细胞膜渗透性参数(Lp、Ps)测定可以为低温保存的最优化提供理论指导。然而那些用于研究细胞渗透性的系统在温度控制上要么加工过于复杂,要么不能实现宽温度范围的控制,也不能进行多个卵母细胞的同时观察,实验效率低。此外,在获取细胞体积的数据处理阶段,采用的是非常耗时的手动数据处理方法,或者是步骤复杂、鲁棒性和准确性不高的传统图像处理方法。为了解决以上问题,本文做了以下研究:首先,设计制作了一种微流控装置用于卵母细胞的渗透性研究。该装置使用了氧化铟锡(ITO)导电膜制作微加热器和温度传感器来实现相比全局温控更为准确的局部温度控制,额外添加的独立水浴模块在不增加加工难度的前提下实现了室温以下的温度环境。局部加热器/传感器和全局水浴的巧妙结合使加工较简单、温度控制准确以及宽温度范围调控得以同时满足。该装置可以互不干扰地捕获四个卵母细胞,细胞的捕获位置可控且捕获的成功率高,四个细胞的渗透性响应同时在显微镜下被观察记录,实验效率得到了极大的提高。为了实现温度的准确控制,设计了合理的硬件电路、软件系统和抗积分饱和PID算法。除此之外,通过多物理场仿真、温度控制性能检测以及微通道中溶液浓度变化测定等方式综合验证了微流控平台的合理性和可靠性。另一方面,以小鼠卵母细胞作为实验的对象,利用本文设计的微流控平台测量了小鼠卵母细胞在四个温度(4、15、25、37 ℃)下对两种保护剂(1.5 MPG、1.5 M EG)溶液的体积响应。在数据处理阶段,将深度学习的卷积神经网络引入到细胞的渗透性研究中进行图像分割数据处理,分别制作了4000、500、500对的训练集、验证集和测试集图像用于神经网络的训练,最终在验证集和测试集上分别得到了0.9860和0.9846的高准确率,训练曲线也表明该神经网络没有出现过拟合。网络以极快的速度处理了大量的图像,在保证高准确率的同时极大节省了数据处理时间。最后,通过拟合卵母细胞体积响应得到了温度依赖的渗透性系数,结果与前人研究测定的小鼠卵母细胞渗透性参数吻合,表明了本文提出的温控的多细胞捕获的微流控平台以及深度学习图像处理方法的实用性、准确性和可靠性。总之,本研究有利于提升卵母细胞的渗透性研究,进而有利于设计出最优的卵母细胞低温保存方法,实现更高的低温保存成功率。