浮游植物是海洋生态系统中最重要的初级生产者之一,也是海洋生态灾害（如有害藻华）的重要指示生物。实现对海洋浮游植物的快速定量分析是海洋生态科学研究和环境保护的迫切需求。尽管目前一些观测手段如显微镜检法、遥感、成像流式细胞术被广泛应用于海洋环境的监测中去,但这些手段仍存在检测通量小、观测精度低、使用成本昂贵等局限性,并不能很好地进行高效快速准确的浮游植物观测。因此,本文在Fluo Sieve?荧光成像流式细胞仪的硬件基础上,发展了基于深度学习技术的图像识别和检测算法,并设计了一套海洋浮游植物智能图像采集和分析嵌入式系统,以实现对海洋浮游植物样品的高通量端到端图像处理,为海洋环境监测和保护提供了一个有力的解决方案。本文的主要研究工作和成果包括下面三个部分:1.浮游植物荧光图像数据集的构建。本文借助Fluo Sieve?仪器结合一套基于主动学习思想的浮游植物图像建库流程,对中国东南海域常见浮游植物进行图像采集和数据清洗,构建了一个32类共418,497张图像的大规模海洋浮游植物荧光图像数据集。2.浮游植物智能图像处理算法的发展。本文在所构建的大规模浮游植物荧光图像数据集的基础上,发展了基于Res Net-18的浮游植物图像分类算法和基于YOLOX的浮游植物目标检测算法并进行了优化加速,满足了嵌入式部署和实时处理的要求。3.浮游植物智能图像采集和分析算法的嵌入式系统实现与应用。本文从仪器系统架构设计的角度出发,实现了一套集泵阀流体操控子系统、激光控制子系统、图像采集和智能分析子系统为一体的浮游植物智能图像采集和分析嵌入式系统。三个子系统协同工作实现了对海洋浮游植物样品的高通量快速智能处理和分析。