新型抗肿瘤药物的成功研发能够带来极大的社会及经济效益。传统基于动物模型的抗肿瘤药物研发存在成本高、测试时间长及有效性低等缺点。肿瘤球体培养作为一种新兴的体外培养技术,不仅能够节约成本、缩短周期,而且能够很好地模拟肿瘤细胞的黏附、侵袭及远端转移过程,因此被广泛应用于抗肿瘤药物的研究。使用球体模型进行抗肿瘤药物的研发过程中,需要借助高内涵细胞培养系统以实现细胞球的实时观察及分析,进而为抗肿瘤药物研发提供可靠的数据支持。然而,针对肿瘤细胞球这一特定场景的研究,现有的高内涵细胞培养系统存在功能浪费的问题,而且价格十分昂贵。为了更好地进行肿瘤药物药效分析,迫切需要研发低成本、满足核心需求的高内涵细胞培养系统。本文旨在进行高内涵细胞培养软件系统的设计及开发,以方便研究者进行肿瘤细胞的培养、观察、图像采集及肿瘤细胞球形态学参数自动计算等一系列实验。高内涵系统的硬件设备包括附带环境控制的细胞培养箱、倒置荧光显微镜、图像采集CCD相机及PC端。高内涵系统的软件主要分为五个模块,其中培养箱模块用于配置及监控细胞培养过程中各环境参数(包括各种气体浓度、温湿等);光学平台模块用于实现细胞的自动化定位;相机模块用于细胞图像或视频的实时显示及保存;细胞形态学参数计算模块用于自动计算细胞常见形态学参数;数据库存储模块用于存储以上四个模块中的配置、运动及形态学参数。为了降低系统各模块间的耦合、增加系统的可维护性,将系统架构分为展示层、业务逻辑层、接口层和底层服务,其中展示层为高内涵系统提供友好的用户界面;业务逻辑层实现了任务的规范化管理;接口层封装了各模块的基础任务,并对相机流程进行了整合;底层服务通过自定义串口协议及通信函数实现了上下位机通讯。本文所开发的高内涵细胞培养软件系统同时具备了细胞球形态学参数自动计算的功能。该功能对细胞球的定量分析起到了重要作用。形态学参数计算的主要步骤为:样本库的建立、细胞球分割及形态参数的计算,其中细胞球的分割是形态学参数计算的核心。对于细胞球的分割,本文使用四种传统方法(包括自适应阈值、OTSU、HSV及Kmeans)对细胞球图像进行分割,在此基础上实现了常见形态学参数(包括细胞球半径、面积、圆率及迁移率等)的自动化计算。考虑到仪器在临床单位使用过程中会面临各种肿瘤场景,因此将会获得更多类型的肿瘤图像,为了提高分割算法的扩展性,使之匹配高内涵细胞培养系统未来的需求,本文又进一步探索了U-Net深度学习图像分割方法。最后,为确保所设计的高内涵细胞培养系统在实际应用中的稳定性,本文还从功能和性能两方面对整体系统进行了测试。