细胞的力学特征和细胞的生长、分裂、衰老、凋亡和病变有着非常紧密的关系,对细胞的力学特征加以刻画,能够对细胞的内在组织变化进行表征,从而实现对不同种类细胞进行识别和分类。原子力显微镜（AFM）作为一种精度高、适应范围广,并且能够在生理环境下使用的工具,已经被广泛的应用于多种细胞力学特征的表征。机器学习技术在生命科学领域已经被证明可以运用于细胞的识别分类,辅助医生提高对于细胞病变程度的判断。本文首先利用AFM对活细胞进行纳米压痕实验,获得细胞三维形貌图和力-位移曲线。然后通过细胞的三维形貌图,获得细胞的长、宽、高几何特征;并且首次利用表面张力接触力学模型,结合广义Johnson Kendall Roberts模型拟合力-位移曲线,同时表征细胞膜张力、细胞弹性模量、细胞黏附力和细胞黏附功,从而获得细胞的多种力学特征参数。最后首次利用获得的细胞力学特征和几何特征训练机器学习算法模型,运用训练完成的机器学习算法实现对细胞的识别分类。全文主要工作内容如下:首先,提取了细胞的多种力学特征和几何特征。在细胞生物间培养小鼠胚胎成纤维细胞系、人体肝癌细胞系、人体胃细胞系、人体胃癌细胞系,接着利用AFM对细胞进行纳米压痕实验,获取细胞的力-位移曲线和三维形貌图;然后从三维形貌图中获得细胞的长、宽、高几何特征,并利用表面张力接触力学模型和JKR模型,结合力-位移曲线提取细胞的弹性模量、细胞膜张力、黏附力、黏附功力学特征。其次,从理论到实验结果,验证了表面张力接触力学模型提取细胞膜张力的可靠性。对细胞添加细胞松弛素D、脱氧胆酸和对细胞进行低压渗透实验来改变细胞的膜张力,运用表面张力接触力学模型拟合药物作用后的纳米压痕力-位移曲线,以及使用荧光膜张力探针对膜张力可视化,检测细胞膜张力是否按照预期改变,从而检验该力学模型的可靠性。最后,利用机器学习算法面向于多细胞机械特征实现了细胞的识别分类。证实了在识别细胞时,随着使用的力学特征数量的增加,识别的准确率也会随之提高。通过细胞的几何特性和细胞的多力学特征,训练优化后的BP神经网络（OBPNN）机器学习算法模型。