我国动物源细菌耐药现象日益严重,给公共卫生和食品安全造成了重大威胁。实现耐药性控制的前提条件是及时、准确地进行细菌的耐药性监测。目前我国耐药监测的主要手段是使用药敏板对细菌进行药敏实验,但由于我国基层的设备条件有限以及从业人员专业能力有限,基层药敏实验结果判读主要依赖人工或昂贵设备,导致兽医临床耐药性检测缓慢。近年来卷积神经网络等深度学习技术在图像处理领域得到了快速的发展,在医疗、交通等各种领域应用广泛。为节省人工与时间,提高药敏实验结果判读工作的效率,本文将结合深度学习技术对药敏板图像识别问题进行研究与应用,将药敏实验结果的判读过程自动化。本文将药敏板图像识别问题转化为药敏板图像微孔分割和微孔图像分类两大问题进行研究,最后设计并实现了一个药敏实验结果分析系统。具体工作如下:（1）建立微孔图像数据集。为进行本文的研究,首先在国家兽医微生物耐药性风险评估实验室拍摄了740张药敏板图像并将这些图像制作成微孔图像数据集,其中有细菌生长的微孔图像58728张,无细菌生长的微孔图像55032张,共计113760张微孔图像。（2）提出药敏板图像微孔分割算法MTPMS-MM。该算法主要是结合Canny算子和数学形态学检测药敏板边界,然后利用药敏板比例不变性计算微孔坐标,提取微孔图像。药敏板比例不变性是指微孔的圆心位置和半径相对于药敏板边界的比例都是固定的。实验结果表明使用MTPMS-MM算法分割微孔的准确率高达98%,基本能够达到实际应用要求。（3）提出微孔图像分类网络模型DCSE-M。为扩大神经网络的感受野,增强网络学习到的有效特征,本文结合空洞卷积和SE模块对MobileNetV2网络结构进行优化。实验结果表明改进后的网络模型DCSE-M收敛速度更快,准确率更高,达到93.99%,比原始MobileNetV2网络提高了1.19%,同时精确率、召回率、F1 score也分别提高了1.37%、1.15%、1.26%。为进一步提高微孔图像分类的准确率,使用不同参数设置对网络训练过程进行优化,最终微孔图像分类网络模型相比训练优化前,在准确率、精确率、召回率、F1 score各项指标上分别提高了0.79%、0.67%、0.81%、0.74%。（4）设计并实现药敏实验结果分析系统--ASTRAS系统。该系统采用java Fx技术实现,系统可对用户选择的药敏板图像进行识别,给出96个微孔的识别结果、各药物的MIC值以及细菌对各药物的耐药性结果。对该系统进行功能测试,测试结果:单微孔图像识别准确率为93.66%,MIC准确率为92.12%,耐药性准确率为95.01%。平均一张药敏板图像的实验结果分析用时32秒,大约是人工用时的八分之一。测试结果验证了本文将深度学习技术应用到药敏板图像识别问题的可行性、有效性。