藻类在水生态系统的物质循环和能量流动中起着重要作用。在对藻类的研究中,显微观测、形态分析以及计数统计等是最基本和重要的手段。目前主要靠人工操作,劳动强度大、效率低、容易出错且数据不易保存和处理。采用现代数字图像处理技术实现藻类细胞的自动识别与分析处理是藻类研究的发展方向。本文针对藻类细胞显微图像的特点,对细胞图像的特征提取和分类识别进行了深入的研究。具体工作有:1.预处理藻类图片,对图片进行分割、轮廓提取、颜色空间分量提取、颜色背景去除等工作。并在图片分割时比对不同方法,选出最适合大量藻类图片分割的方法。2.从藻类细胞图像的形状、纹理、颜色三个方面进行特征提取方法研究,并提取特征,进行数据的展示和比对。3.根据现有的特征选择方法进行组合,构造出一个新的特征优化方法,并使用此方法筛选此前提取的特征集,构造出优化后的特征子集。4.深入研究了BP神经网络,针对其缺陷,提出改进,在BP网络的基础上建立了一种藻类识别的分类器,其优点在于训练时能有效避免陷入局部最小值及避免网络产生振荡发散或收敛过慢。文章根据改进方法设计了优化的网络分类器,对绿藻门中的绿星球藻、集星藻、新月藻、四棘鼓藻、微星鼓藻等5种藻类进行了分类实验,总识别率达到83.3%。再使用同样的过程对蓝藻门的平裂藻、色球藻、念珠藻进行识别,识别准确率达到94.4%。对比之前的最近邻分类器、支持向量机和神经网络分类其,优化过的网络识别率更高。