外周血液中的白细胞检测对于诊治许多疾病有着重要价值。目前，临床上多釆用血细胞分析仪与人工镜检的方式对白细胞进行分类检测。但这种方式效率较低，受镜检人员主观感受影响较大。随着医学影像处理技术的发展，利用图像处理方法对白细胞进行自动分类识别的技术具有较高的实用价值。因此本文提出了一种基于卷积神经网络的白细胞分类识别方法。首先针对白细胞图像采集中染色方式不同及硬件设备影响，出现干扰白细胞图像精确分割的灰度不均、弱边界以及噪声问题，提出了一种基于局部詹森-香农散度的活动轮廓白细胞分割算法。该算法对白细胞图像进行密度峰值聚类和水平集法处理，将得到的白细胞核轮廓作为初始轮廓曲线，使用基于詹森-香农散度信息的符号压力函数克服白细胞图像的上述问题，指导轮廓曲线完成白细胞图像的精确分割。其次针对外周血液图像数据匮乏问题，对分割后的白细胞图像进行数据扩充，将扩充后的图像釆用随机粘贴方式合成大量模拟外周血液图像，完成多标签白细胞分类识别数据集的制作。然后针对目前白细胞分类研究类别较少，外周血液图像中白细胞尺度变化大，背景复杂，影响检测性能的问题。本文提出一种基于卷积神经网络的多标签白细胞分类识别方法，实现了对n类白细胞的分类识别。以YOLOv3网络为基础，将基于特征图通道信息强化的方法融入网络特征提取模块，釆用带权重的特征图融合方式替换原有特征金字塔模型，使网络的特征提取与融合能力得到增强。最后釆用改进模型将检测结果进行可视化分析，证实所提方法对白细胞图像定位和小尺寸白细胞分类识别的准确率有所提升。实验结果表明，所提白细胞图像分割算法对于噪声干扰以及灰度不均、弱边界的白细胞图像有较好的分割结果。所提的基于卷积神经网络的白细胞分类识别方法在11类白细胞的分类检测中平均准确率为92.2%，并且在真实外周血液图像中展现出较好的识别能力，实现了真正的端到端多标签分类识别。