毛发作为犯罪现场常见物证之一,对犯罪现场重建分析、侦查方向确定、犯罪嫌疑人排除或轨迹追踪有重要意义。目前,毛发物证的形态学检验主要利用显微镜进行微观形态的人工比对与分类鉴别,方法成熟但自动化程度低,易产生主观误差。本文针对毛发物证提出一种基于卷积神经网络的毛发显微图像分类方法,通过自建网络对毛发显微图像进行形态特征提取与训练,实现毛发图像自动分类,提升物证检验智能化水平。本文使用搭载LAS X软件的Leica DVM6数码显微镜,对实验制作的不同种类毛发样本切片进行显微图像采集与滑动窗口裁剪、灰度转换、数据增强等图像处理。建立人类毛发显微图像实验数据集,含5类毛发样本,每类6000张,共30000张显微图像;建立人与动物毛发显微图像实验数据集,含10类毛发样本,每类30000张,共300000张显微图像。针对数据集特点,设计搭建新的卷积神经网络Hair-Net,对人类毛发显微图像数据集进行样本训练与测试,不断调整参数、优化结构以获得最佳模型;再利用改进网络对人与动物毛发显微图像数据集进行样本训练与测试,与经典网络LeNet与AlexNet进行性能对比,引入多种网络优化手段提升网络性能,得到该数据集最佳分类模型。最后通过技术盲测检验自建的两级自动分类模式与最优模型的实战应用效果。实验研究表明:1、设计搭建的卷积神经网络Hair-Net在人类毛发显微图像数据集上的分类效果良好。经学习率、迭代次数、批尺寸等参数调整,再行优化输入层、引入Leaky ReLU激活函数及批正则化,最佳模型Hair-Net-Human的分类精度达96.93%,且泛化能力良好;2、Hair-Net改进模型在人与动物毛发显微图像数据集的分类效果优于经典网络LeNet、AlexNet,利用Inception结构轻量化网络的同时,引入Center-loss中心损失函数与原有Softmax-loss函数进行联合监督,显著提升网络性能与鲁棒性,最佳模型Hair-Net-Animal分类精度达95.24%;3、设计模拟现场进行毛发物证提取与图像采集,按照本文建立的现场毛发物证显微图像的两级自动分类模式,将检材图像分步输入人与动物毛发显微图像分类模型Hair-Net-Animal、人类毛发显微图像分类模型Hair-Net-Human进行分类检测,总体精度均在80%以上,验证了本文方法的实战应用性。本文打破了毛发物证的传统肉眼分类鉴别方法,创新性地结合深度学习并自行设计搭建了新的卷积神经网络Hair-Net,在自建的毛发显微图像数据集上取得了良好的分类效果,建立了现场毛发物证显微图像的两级自动分类模式,利用模拟测试验证了本文方法在毛发物证采集后可实现快速自动分类,有效减少人工鉴别的主观误差,为毛发形态学检验提供了一种新的自动分类鉴别方法。