细胞是人体最基本的结构单位,细胞的检测如循环肿瘤细胞检测、全血细胞计数是广泛用于评估患者癌症状况与免疫病情的医疗检测手段。现阶段的细胞检测方法包括人工显微镜检测以及细胞检测仪检测,但这两种方法存在一些不足:人工显微镜检测耗时长、效率低,并且需要有经验的医生进行判断;自动化的细胞检测仪成本高、体积大,不适用于偏远或医疗资源不发达的地区。因此,研制一种小型化、低成本、智能化的微流控细胞检测装置是有必要的。然而,小型化微流控细胞成像检测装置系统的结构简单,导致其难以采集到高分辨率的细胞图像,因此基于细胞图像的进一步智能化分析需要高效的识别分类处理算法。本文基于深度学习方法出并实现了基于并行残差超分辨率网络（Parallel residual super resolution,PRSRCN）的低像素细胞图像的超分辨率处理以及基于Resnet-50的无标记（未染色）白细胞图像的三分类识别。（1）并行残差超分辨率网络PRSRCN使用串行残差块和并行卷积层进行图像特征值取,并通过亚像素卷积层实现超分辨率重建。PRSRCN网络中所用残差块的跳跃连接模式可以增加模型对低像素细胞图像的适应性,将原有细胞特征与新取的细胞特征融合,并行卷积模式则可以扩大网络的宽度。与SRCNN、VDSR等超分辨率网络相比,PRSRCN网络的峰值信噪比（Peak signal-to-noise ratio,PSNR）指标高出其他网络0.3以上,结构相似性（Structual similarity,SSIM）指标高出其他网络0.01以上,证明了PRSRCN网络特有的跳跃连接和并联卷积模式可以更好的取低像素细胞特征。（2）针对小型化无标记微流控细胞成像检测装置采集的细胞图像特点,本文出一种基于迁移学习的Resnet-50网络对无标记白细胞进行三分类。迁移学习可以迅速优化网络参数,相比于无短连接结构的Inception V3模型,Resnet-50的短连接结构更适应对无标记白细胞的特征取,Resnet-50网络在测试集最终可以达到94%的准确率。无标记白细胞数据集通过显微镜采集后直接通过网络进行训练,减少了白细胞染色过程并且避免了染色剂对白细胞生理状态产生的影响。本文出的对低像素细胞超分辨率方法以及无标记白细胞三分类方法为小型化细胞检测仪器的实现供了有潜力的解决方案。