血细胞的形态分析、种类识别以及病变细胞的筛选与人类健康息息相关。由于大多数细胞都是透明相位体,采用传统的显微成像技术难以实现其清晰成像,而荧光检测技术尽管可以实现细胞高分辨率成像,但其荧光标定物属于化学物质,可能会使细胞的形态发生改变,增加细胞的辨别难度。随着科技的进步,定量相位显微成像技术凭借免标记、无损伤、高灵敏度、可定量等优势,成为了细胞形态学和生物动力学研究的一种重要的光学成像方法。该类技术的研究成果比较丰富,其主要技术分为干涉和衍射两类,均是利用解包相位来重建细胞形态。由此从成像到重建将消耗大量的时间,不利于批量细胞的快速分类识别。考虑到血细胞外胞的类球形特征以及包裹相位对细胞亚类特征反映的灵敏性,基于极坐标系及免解包相图,本文提出了无需形态重建下的血细胞亚类快速分类识别方法,实现批量血细胞亚类快速分类识别的技术目标,其主要研究内容如下:首先,该方法基于血细胞外胞体呈类球形的特征,将直角坐标系下的细胞包裹相图转变为极坐标系下的包裹相图,提出了细胞亚类的包裹相图特征表征系统,即:对称度H、圆度P和奇异点个数N。通过Matlab平台实现小批量的血细胞三分类自动分类。在仿真实验分类结果良好的基础上,将极坐标系下真实细胞的包裹相图作为数据集,通过基于Le Net-5经典网络改造后的卷积神经网络模型,并利用反向传播中的随机梯度下降方法优化训练过程,最终实现批量血细胞三分类的快速识别目标。仿真结果和实验结果均表明该方法的可行性。其次,为进一步扩充血细胞亚类的分类识别范围,本文提出了一种新的特征融合算法,即以两条分支的卷积神经网络融合局部特征。该方法提高对图像属性表征的准确性,并对全局特征与HOG特征、LBP特征的三种融合情况展开讨论,结果表明了该网络可成功应用于血细胞五分类的快速识别。本文以相位显微成像技术为基础,针对传统相位成像对批量细胞形态识别速度慢的不足,利用血细胞外胞体呈类球形态的特点和包裹相位对其亚结构形态反应灵敏的特征,引伸深度学习计算技术在本领域的应用,提出了一种新的血细胞亚类分类识别方法。仿真实验和实验验证均证明了本方法的有效性,由此可为批量血细胞亚类分类快速识别技术的研究和发展提供一种新思路。