目前传统的细胞图像识别方法为先人工设计特征,然后再采用机器学习分类算法进行识别,针对每种具体的项目都要设计专门的预处理、分割、特征提取的算法,在这些过程中很容易造成误差,无法达到理想的识别精度,这使得细胞图像分类成为研究的热点和难点。基于卷积神经网络提取的细胞图像分类方法避免了传统方法中复杂的特征工程与预处理工作,具有更高的准确率和鲁棒性。本文将卷积神经网络的方法应用到体液细胞的自动识别中,具有使用简单,准确率高的优点。本文完成的主要工作如下:(1)阐述了卷积神经网络的基本理论,介绍了人工神经网络从感知机模型演变到卷积神经网络的过程,为下文模型的建立和改进提供理论基础;(2)介绍本文的数据集,针对原始数据集存在的各类细胞分布不均匀、部分图像清晰度较差的问题进行了数据扩充、归一化和图像增强的预处理步骤,为下文的实验有效性在数据层面打下基础;(3)介绍经典的LeNet-5模型和AlexNet模型的结构和原理,在经典的LeNet-5模型和AlexNet模型的基础上,分别构造若干个改进的细胞图像分类模型,通过仿真实验比较各个模型的分类效果,初步探究了卷积核和网络层中神经元的个数对网络性能的影响;(4)针对经典的卷积神经网络模型不能有效地对细胞图像进行分类的问题,设计了一种改进的卷积神经网络模型。本文在AlexNet网络的基础上用分数最大池化层代替最大池化层来减少最大池化层对特征降采样的速度,确保最后获取特征的表达能力不受太大的损失;然后在网络的第一个卷积层中同时使用大小为3 ×3和5 ×5的卷积核对图像更全面的进行特征提取。仿真实验结果表明:本文最终构建改进的卷积神经网络对体液细胞的显微图像分类识别率达到了 96.7%的效果,优于于传统人工特征的方法和其他细胞分类网络,具有一定的使用价值。