硅藻是一种在地球上广泛分布的单细胞藻类植物,其种类形态多样,主要生活在我们周围的水域当中。近年来我国的水质污染日益严重,如果水中的营养盐浓度过高,硅藻会大量繁殖形成赤潮影响鱼类等水生生物的数量,由于硅藻对于水质的变化尤为明显,因此准确识别水体中的硅藻种类与数量有利于进行水质监测工作。另外,在水中溺死的尸体脏器中也会存在一定量的硅藻,法医学检验中准确识别脏器中的硅藻种类与数量是法医学判断死亡原因的重要依据。在对于水中藻类的研究过程中,各种专家学者已经提出了很多不同的算法,但是这些算法基本都是针对从水中提取到的藻类样本,样本通过技术手段处理之后能够去除掉水中的沙石等杂质,没有过多背景的干扰。与水体中藻类的识别不同,法医学中的硅藻识别存在如下难点:(1)法医学检验中提取到的硅藻图像中存在高度复杂的背景干扰,会对识别造成很大的干扰。(2)在法医学检验中的硅藻识别基本依靠人眼通过显微镜来对硅藻图像进行分类,这种方法耗时耗力且容易因为自己的主观性而造成误识别。因此对于法医学检验中的硅藻目标自动的研究是一个具有实际性的应用场景的研究课题。本文针对此问题,提出了一个从硅藻样本图像采集、图像数据集建立、图像特征提取、图像中硅藻目标识别及定位的框架。该框架中使用技术手段提取硅藻图像,然后经过不同的预处理生成多个硅藻数据集,通过深度学习中的目标检测算法来对硅藻图像进行识别以及定位,最后输出复杂背景图像中硅藻目标的种类和位置。本文的主要贡献包括以下几点:(1)提出一个基于深度学习网络的硅藻识别与定位框架。本文中通过对法医学检验中硅藻图像特点的分析,总结了现有藻类研究算法的优劣性,结合本文中的实际应用场景,提出使用Faster R-CNN算法来对硅藻图像中的目标进行识别和检测。首先粗略定位目标位置,提取目标区域,然后提取目标区域特征对区域内目标进行识别并且精确定位目标。(2)构造有不同背景干扰的硅藻图像数据集。现有的针对藻类识别的算法大多使用自建的藻类图像数据集,没有公开且不是针对法医学检验中的硅藻目标识别。因此本文中对采集到的硅藻图像进行分类以及校对后构造了不同背景干扰的数据集用于验证算法性能,简单背景、部分复杂背景、复杂背景和高度复杂背景图像干扰的法医学硅藻图像集。(3)验证传统算法对受高度复杂背景干扰的硅藻识别的局限性。现有算法中主要是针对水中简单背景藻类的识别,鲜有针对法医学检验中硅藻图像识别的研究且没有提出具体的算法框架用于解决实际问题,因此本文中使用不同干扰的数据集验证了传统基于机器学习的识别算法的性能局限性。(4)通过实验优化Faster R-CNN的训练策略与网络模型搭配,提高硅藻识别与定位的精度。通过不同的参数选取以及对比试验,本文中最终选取了识别以及检测性能均较好的参数组合。