显微图像中红细胞分类对贫血、疟疾、骨髓瘤和溶血病等相关疾病的鉴定诊断具有重要意义。这些疾病的诊断目前通过人工操作完成,由专业医生用显微镜找到合适区域后,根据红细胞的形态学及数量等特征对外周血红细胞进行分类和识别,检查是否出现异常红细胞。显微镜视野下红细胞数量巨大,人工检查方法只能对患者的红细胞情况进行粗略的观察和统计。同时该方法也暴露了红细胞检测的弊端:a.人工成本高;b.效率低;c.人工操作主观性强。这些弊端不仅对人、物力造成高消耗,同时也会导致检测结果的不确定性。本文围绕红细胞分类这一具有挑战性的课题,根据医院检验医师的需求和红细胞图像的特点,运用图像处理和计算机视觉等技术,对显微图像下正常、异常红细胞的分类问题进行深入的研究。具体包括以下几个工作:1.在图像预处理阶段,利用高斯滤波对图像进行线性平滑处理,去除图像中的白噪声,更好的保留图像边缘,为接下来的分类奠定基础。2.在特征提取阶段,根据红细胞尺度变化多样、目标尺寸小等特点使用注意力残差特征金字塔网络。将空间注意力和通道注意力模块分别与残差特征金字塔网络结合,利用通道注意力和通道-空间注意力机制关注重点特征,关注空间和通道两个维度的特征,实现特征的准确提取。该网络在没有增加太多的计算量的前提下提升较大性能。3.在后处理和细胞分类阶段,使用ROI Align操作替换ROI Pooling操作对感兴趣区域进行尺寸归一化,克服小目标易出现的匹配变差问题,将处理后特征送入后续的Fast RCNN网络进行识别与分类。4.采用改进的注意力残差特征金字塔网络对整张图像中的红细胞进行分类,分析得到的结果。比较提出的注意力残差特征金字塔神经网络与原始网络及其他网络在红细胞检测精确度方面的优劣,使用不同数据集进行检测以证明提出方法的泛化能力,并与其他红细胞分类方法比较,证明提出方法的性能。经比较,提出的方法能够在数量更多的密集红细胞图像中实现更多类别的分类,并且在其他公共数据集上取得了更好的性能。结合检验红细胞的常规步骤,红细胞显微图像的特点及存在的挑战,深度学习知识和卷积神经网络模型等。从临床实际检验情境和医生的实际需求出发,按照实际检测中红细胞图像的大小和特点、红细胞数量,使用数量密集的红细胞图像（每张图像中约300个红细胞）将红细胞分为正常红细胞和13类红细胞疾病中常见的异常红细胞类别。本研究在目标密集图像中实现更多类别的红细胞分类,取得更好的性能,克服密集小目标分类的难题,提高医生的检测效率,为医生的临床红细胞检测提供了极大的帮助。对于及时发现全身性疾病的早期迹象、协助判断各组织器官的病变情况、辅助观察疾病治疗效果,具有重要的临床意义。