中枢神经系统感染引发的各种疾病一直是神经学领域高死亡率的疾病之一,其目前的主要诊断依靠的是脑脊液细胞学检查,且主要靠人工进行分析,需要消耗大量人工和时间成本,这种分析具有主观性,随意性,因此,亟需一种能对脑脊液细胞进行识别与分类的客观方法和系统;同时,获取脑脊液细胞的过程较复杂,会因为制片过程繁冗造成样本的质量参差,存在粘连重叠的细胞,增加对脑脊液细胞自动识别分析的难度;为了提高不同工艺以及人工经验下制作的样本的识别能力,减少脑脊液细胞样本标注识别的工作量,需要采用一种鲁棒性好且准确率高的方法对脑脊液细胞进行识别分析。针对以上问题,设计了脑脊液细胞显微图像识别与分类系统,具体工作如下:针对人工分析脑脊液细胞主观性强,需要消耗大量人工成本和时间成本以及识别结果差异性大等问题,提出了脑脊液细胞显微图像识别与分类系统的解决方案。对整个系统的功能进行了模块化的设计,包括脑脊液细胞显微图像采集、图像及信息存储、分析和显示四个方面,用于脑脊液细胞显微图像识别与分类的实现。针对脑脊液细胞在显微图像识别中存在细胞粘连和重叠的问题,采用了基于最大类间方差和分水岭算法（Ostu-Watershed）的分割方法,使用类间方差优化阈值对细胞进行目标分割,采用在粘连区域各自灰度极小值点同时漫水的方法,进行粘连处的划分,最终能将粘连重叠的细胞进行分割。针对脑脊液细胞显微图像样本量小、拓扑结构复杂,采用了一种基于掩膜区域卷积神经网络（Mask RCNN）的脑脊液细胞显微图像识别与分类方法,将标注过的脑脊液细胞图像数据集输入到网络中,采用特征金字塔由底层到深层进行特征图的融合提取,最终得到的网络特征图包含了低层和深层的共同特征,然后经过分类器进行自动分类。该算法针对小样本量的数据集使用了迁移学习的方式,解决了数据量不足的情况,并且也节省了模型训练时间。开发了脑脊液细胞显微图像识别与分类系统,对系统中各个功能进行了实现与测试;并对所研究的Ostu-Watershed和Mask RCNN方法在粘连重叠脑脊液细胞识别分类中进行了实现与测试,测试结果表明,所采用的两个方法均能实现粘连重叠脑脊液细胞的识别与分类。