水体富营养化是当前主要的生态环境问题之一,严重威胁全球水安全。单位体积水中的藻细胞个数是水体富营养化程度的重要指标,其监测对于富营养化的防治十分重要。然而,现有的监测手段仍较为低效,或者成本高昂,急需要一种能够长期高频低成本的监测方式。近些年高速发展的深度学习自动识别算法可以为监测提供高效的技术支撑。本研究设计、测试了水体藻类图像获取设备,并发展了基于深度学习技术的藻类识别和浓度计量方法,旨在实现更加高效、快捷的水体藻类实时监测。在藻类图像获取手段方面,使用了可置于野外的水下显微成像系统,同时设计开发了可分层获取图像的分层显微成像系统。为提升藻类图像的质量和可识别性,采取了不同的去噪和增强对比度的方法,并对这些方法进行了比较,最终选定了大津法(OTSU)去噪和直方图拉伸的对比度增强相结合的图像预处理方案。藻细胞识别方面,本研究利用卷积神经网络深度学习算法,并采用了Faster R-CNN和Mobile Net架构,分别对夜光藻(Noctiluca scintillans)和青岛大扁藻(Platymonas helgolandica var.Tsingtaoensis)进行了识别训练和验证。研究结果表明,识别成功率最高可达96.71%。基于深度学习的识别结果和去噪图层,进一步对图片中的藻细胞进行计数,并完成藻细胞面积提取。综合深度学习算法、可识别景深和藻细胞面积-体积转化方法,本研究以青岛大扁藻为例,开发了藻类浓度计量的自动化算法,该算法可以推算水体中藻细胞的个数浓度和质量浓度。经过传统浮游植物计数框法的验证发现,本研究所开发的自动化藻类浓度计量方法结果可靠,在五个测试浓度水平上的平均误差在6%左右。本研究证明基于深度学习进行藻类识别和浓度计量具有可行性,值得进一步深入研究;所发展的算法可与不同的拍摄设备相结合形成藻类自动化监测系统,实现水体藻类活动情况和富营养化程度的动态监测,提升水华等水生态灾害的预警能力。