自然界中多种多样的微生物群落,对于人类来说就像黑盒子,不知道有多少微生物隐藏于其中。随着宏基因组测序和单细胞测序技术的发展,人类发现了大量新的微生物。这些新的微生物大部分在人工条件下无法纯化培养,所以被称为未培养微生物。由于缺少纯净的菌种,我们在研究它们的生理代谢以及它们在自然环境中的作用等方面遇到困难。因此我们需要新方法来纯化培养这些新发现的微生物。微生物纯化培养的步骤包括:培养基成分预测,培养基配置,样品取样,接种,恒温培养,观察生长情况,计算微生物群落数量。第一、二步是实验前的预处理,通过预测出目标微生物最适宜的培养基条件,促进目标微生物生长,从而将它从环境中筛选出来。之后的步骤都属于实验本身,用于观察分离出的微生物的种群数量。本工作利用深度学习方法对微生物培养基成分进行预测,并基于Android完成了微生物生长监测软件部分的设计和优化,使实验人员可精确监测分离出的微生物的种群数量变化。本论文的工作如下:（1）研究了未培养微生物的限制因素、研究进展和技术瓶颈。以此为基础,创新性地提出了用深度学习的方法,利用目标微生物的基因来预测其适合的培养基成分,并以此为重要课题进行探索性研究。（2）使用极端梯度提升（e Xtreme Gradient Boosting,XGBoost）特征筛选的方法,解决了基因中噪声和无关项干扰的问题,取得了使预测模型更加稳定的效果。用深度学习方法,解决了基因预测肉浸膏问题,模型的准确率都到90%以上,AUC也在0.9以上。通过调整肉浸膏预测模型得到预测放线菌的10种培养基成分的10个模型,模型准确率在97%以上,AUC的值都为1.0。（3）利用Android技术设计了微生物生长监测软件,解决了微生物纯化培养操作繁琐的问题,将纯化培养实验的恒温培养、观察微生物生长情况和计算微生物群落数量这三项耗时最长的任务交给软件完成,实验员只需完成剩下的三步即可。传统的监测仪器在出现拐点后仍需继续运行直到微生物数量达到峰值,本文创新性的设计了拐点预测功能,计算微生物数量达到拐点后即可停止实验,解决了微生物纯化实验耗时长的问题,平均节约了2-3小时的实验时间。