我国医疗水平逐年提高,然而真菌检测手段相对薄弱,主要还是依靠人工进行形态辨识,难以满足临床需求。随着计算机运算速度的提升和人工智能技术的不断发展,深度学习应运而生,不仅能够有效表达图像的深度特征,且效果优于传统手工设计的特征,因此论文基于深度学习技术对丝状真菌图像自动分类展开研究。对于丝状真菌图像类别识别问题,论文采用目标检测和图像分类两种方案。首先建立基于深度学习的YOLO目标检测模型,对目标分生孢子位置及其类别进行检测,结果表明YOLO网络对小目标或邻近目标检测效果较差,容易受到图像复杂背景干扰,产生目标框定位不准确问题。此外,基于人工提取的HOG特征,建立SVM模型对真菌图像进行分类,其方法虽然可以有效分类6种常见真菌图像,但其数据标记需要人工标记,准备时间较长,难以达到实时分类要求。针对YOLO算法和SVM分类的缺点,本文建立基于深度学习的CNN网络模型对真菌图像进行自动分类。考虑到原始真菌图像内包含多个分生孢子,且存在背景复杂、光照多变、气泡干扰等因素,论文提出了真菌图像分生孢子检测预处理方法,有效提取图像中的目标分生孢子;进而为满足深度学习对大量训练样本的要求,提出翻转、缩放和随机角度旋转的数据增强方法,将样本扩充近30倍;为避免网络过拟合,对CNN网络增加Dropout设计,实验结果表明数据增强和Dropout技术可有效提升模型分类效果。最后,针对图像分类过拟合问题,建立基于网络微调的真菌图像分类模型,先将CNN在ImageNet数据集上预训练,得到网络模型参数,确保网络的特征提取能力,再在真菌图像数据集上再训练,微调网络其他参数,并使用softmax分类器对真菌图像进行分类。实验结果表明建立的网络微调策略能有效避免过拟合,提高算法准确性,使网络具有良好的鲁棒性。为方便数据管理,本文进行了真菌自动分类管理信息系统设计,主要设计数据库E-R图、数据字典和可视化界面,为医院真菌检测、提高医生工作质量和工作效率提供参考。