水藻检测是水质监控的重要手段之一。为了实现水藻状态的实地实时检测,因此研究开发便携式即时检测设备对水体水藻群落监测、水体污染预防和藻类分类研究具有重要的学术和应用价值。首先搭建了由CMOS图像传感器、LED光源及微流控芯片构成的无透镜水藻细胞图像采集系统。通过对无透镜水藻细胞图像特征及图像分类识别算法的分析,确定了基于卷积神经网络的水藻细胞图像分类识别算法。为了快速构建低分辨率的藻类细胞识别模型,先以显微镜采集的高分辨率藻类图像为数据集,初步构建分类网络模型。在此基础上,通过对数据集进行降采样,构建了不同分辨率的数据集,并在同一网络模型下对比分析不同分辨率数据集对水藻细胞图像的识别效果,为低分辨率的网络模型构建提供参考。进一步根据无透镜下采集的藻类细胞图像特点,调整网络各层参数,使其能够对低分辨率下的图像进行识别,最后利用该模型对去除衍射后系统采集的四种藻类图像进行训练和测试,其准确率达到98.85%。对已确定的网络模型进行权值量化以降低网络规模,并根据其构成在英伟达开源硬件加速平台上进行电路映射并优化,使其适用于藻类细胞图像的分类。在此基础上进行分类系统的SOC平台搭建,并在FPGA平台上实现了整体系统设计。最后对图像采集处理和图像分类系统进行了整合并应用该测试系统对200张无透镜系统采集的图像进行测试,测试结果其准确率达到95%,达到预期设计目标。