间接免疫荧光法(IIF)检测用到的HEp-2细胞被用作人血清中的底物,这是检测抗核抗体(ANA)的常用技术,并且可以通过荧光显微镜观察到。HEp-2细胞图像分类在一些自身免疫性疾病的诊断中起着重要的作用。然而,传统的方法需要有丰富经验的专家人工识别细胞模式,这极大地增加了工作量,并且受到专家们的主观意见影响。为了解决这个问题,本文从纹理特征和深度学习两个方面来展开HEp-2细胞分类的研究工作。第一、研究基于纹理特征的HEp-2细胞模式分类方法。即研究了成对旋转不变共生局部二值模式(PRICoLBP),密度尺度不变特征变换(DSIFT)和颜色特征来提取细胞图像特征。成对旋转不变共生局部二值模式(PRICoLBP)不仅能够有效捕获空域上下文共生,同时保留了相对夹角信息,而且还具有旋转不变特征。DSIFT特征还具有一些理想的特性,如不变性特点。使用K-means聚类方法对直方图统计特征进行降维,使用SVM对降维操作后的直方图统计特征进行分类。所提出的方法在公开的ICPR2012 HEp-2细胞数据集上进行验证。该方法采用与ICPR2012竞赛相同的评价方法,细胞级分类准确度为70.90%,图像级分类准确度为84.71%。第二、研究基于一个深度残差网络(ResNet)为基础的框架,通过迁移学习策略来自动识别HEp-2细胞。与现有的方法利用低级手工特征或浅层学习网络DCNNs相比,采用50层的残差网络(ResNet-50)基本上获得了丰富和可识别的特征。ResNet-50的主要结构是残差连接,可有效的解决梯度退化的问题。与大多数从零开始学习的深度学习模型不同,我们使用非常相似的数据集(从ICPR2012到ICPR2016-Task1)预先训练的迁移学习来微调我们自己的模型。本文提出的框架在ICPR2012 HEp-2数据集上实现了92.63%的平均分类精度,在ICPR2016-Task1 HEp-2数据集上的平均分类精度为94.87%,优于传统方法。论文提出的纹理特征方法跟基于LBP扩展的特征提取方法和其他文献提出的方法,改善了分类性能和效果;深度学习方法,对比AlexNet、VGG-16和VGG-19网络的HEp-2细胞分类,优化网络训练时间,提高了目标网络模型的分类性能。