基因芯片是由数千个基因点组成的一个微阵列,它是一项能够分析基因表达的技术。通过基因表达不仅可以探索人类疾病的潜在遗传原因,还可以应用在环境卫生研究、药物研制与开发、临床诊断和治疗以及癌症检测。基因芯片图像处理在基因表达分析中是一个极其关键的环节,处理的结果直接影响到准确率和精度。基因芯片图像处理主要包括预处理、网格定位、靶点分割和信号提取与分析。本文主要工作围绕以下几点展开:首先,通过对基因芯片图像预处理分析不同基因点的特征,对其进行灰度转换,对比度增强、滤波去噪等处理进而网格定位。通过网格定位能够将靶点信号区域间隔开,为后面基因芯片靶点分割打下基础。其次,对比基于聚类分类的图像分割算法,其中包括K均值,模糊局部信息C均值和支持向量机。分析其优缺点,介绍了改进的K均值算法,详细介绍了模糊局部信息C均值算法,以及支持向量机在基因芯片图像分割中的应用,列举出了支持向量机是如何获取基因芯片图像特征,阐述了手工特征获取的复杂性进而引出深度学习方法。最后,本文通过对以上算法的总结,提出了基于深度学习的基因芯片分割算法:构建卷积神经网络模型,制作模拟数据集和真实数据集,搭建Caffe深度学习框架。通过对两种数据集的测试,做了一系列对比实验分析了算法的有效性和鲁棒性。实验结果表明基于深度学习的基因芯片分割算法性能远优于K均值和模糊局部信息C均值,分割精确度高于支持向量机。