流感疫苗的接种是传染病免疫预防的主要措施之一,目前流感疫苗的制备主要通过在鸡蛋胚胎中培养病毒的方式进行,在毒株胚胎培养过程中,未剔除的死亡胚蛋会导致毒株增殖培养失败,因此接种胚蛋的成活性检测与分类对流感疫苗的制备具有重要意义。目前鸡蛋胚胎的成活性检测仍然采用传统人工照蛋检测方法,检测效率较低。采用机器视觉的方法通过图像判断其成活性逐渐成为当前研究的热点。为了实现鸡蛋胚胎的成活性检测与分类,本文提出一种基于深度学习的分类方法,分别对5日胚胎与9日胚胎设计不同的网络结构进行训练。针对5日鸡蛋胚胎数据量小,特征提取难度大的问题,设计双通道卷积神经网络。一条通道利用迁移学习将Alexnet经典网络结构在ImageNet大数据集上训练得到的模型进行参数迁移;另一条通道,用一个多层卷积网络对目标数据集进行训练。双通道网络增强了网络的特征提取能力,使提取到的特征更加丰富,准确率得到了提高。针对9日胚胎数据集特征不稳定,类内差异较大的问题,提出了结合通道加权与联合监督的卷积神经网络结构。将Softmax Loss与Center Loss联合监督训练,在保证类间差距的基础上可以对类内特征聚合,使深度学习特征更具判别性。同时在每个卷积层后加入通道加权模块,通过学习的方式区分不同特征的重要性,可以增强有用特征减弱无用特征,从而提升了模型的性能。实验证明,本方法成功解决了鸡蛋胚胎的多分类问题,对5日胚胎与9日胚胎的不同网络模型在各自现有验证集上表现出了良好的泛化能力和较高的准确率。