中药材粉末显微图像识别方法是解决中药材掺假、把控药材品质的关键性技术,针对该技术开展深度研究对于科研和应用都具有十分深远的意义。传统显微图像识别方法对于中药材粉末这种复杂背景、大数据量、多类别问题处理精度和速度不能达到应用要求。而本文利用深度学习框架具有的强大自学习能力对特征进行针对性提取,通过模型部署实现了一种实用性强、低成本的显微图像识别平台。本文的主要工作与创新性如下:（1）完成了基于药材学和图像学交叉下的20种显微特征检测和150种中药材分类工作。为了消除不同倍数下显微镜采集差别,采用双线性插值法放大,实现尺度统一并还原图像特征细节。为了解决由于图像采集过程中导致的数据差异性,采用图像锐化、几何增强、随机对比度和噪声扰动等图像预处理方式,增强并统一图像的特征、位置、颜色等有用信息,在丰富数据集的同时提升数据的泛化性。（2）提出了一种基于特征增强和多尺度的中药材显微图像检测算法。首先在YOLO v5中原C3位置和SPP后加入FEM特征增强模块,提高主干网络的特征提取能力、减少网络在生成特征图过程中的信息丢失问题。其次利用BIPFN对于原YOLO v5中PANet部分进行改进,实现多尺度融合以充分利用小目标特征。经过实验证明,改进后的YOLO v5网络对小目标、重叠目标有较强的识别框取能力。最终改进后的网络模型在实验中m AP相较于原网络上升2.0%。（3）提出了一种基于纹理特征提取改进轻量化网络的中药材粉末显微图像分类算法。针对Mobile Net V3分类网络添加了一个类Inception结构,使之能充分获得中药材粉末显微图像的纹理信息;同时在类Inception结构内部引入空洞卷积扩大感受野,在保持特征图尺寸大小不变的同时让所有卷积的结果都包含更大范围的信息。最后,将改进的注意力机制模块加入到网络中,显著抑制背景图中的噪声纹理。结果证明,加入的类Inception结构和改进的注意力机制模块参数量个数仅为479万个,准确率提升了5.1%,达到了92.82%。在保证参数量的前提下,有效提升了准确率。为了更好地进行推广和应用,本课题基于Android手机端的特点,对上述YOLO v5和Mobile Net V3网络进行轻量化研究,在提高识别速度的同时,尽可能保持了网络的识别精度。并将训练好的网络模型同时部署到Android手机端和PC端以实现多场景应用。该系统主要划分为三个主要功能:第一个功能是检测识别,用于对选取的中药材粉末显微图片进行识别检测,并在界面中将类别与特征信息显示出来;第二个功能是信息查询,用于查看所存150种中药材的性状、基源和药效等基础信息;第三个功能是历史查询,用于查看识别与检测记录以便用户后期追溯操作历史。总体上,本文将深度学习与中药材粉末显微图像识别问题进行结合,解决传统方法所存在的技术难题,形成一种普适性的鉴别方法。