白细胞是人体内免疫系统的保卫者,保护人体不受病菌侵害。五类白细胞中的某类细胞数量超出正常范围时,往往预示着人体会出现某种疾病,所以准确识别五类白细胞对辅助诊断病情具有重要意义。白细胞识别的金标准是人工镜检,但人工镜检效率较低,易受检验人员的水平影响。电阻抗法,流式细胞法等检验效果较好,但仪器造价比较高。基于图像处理的识别方法具有直观,易于医生复检等优点,但传统图像处理方法中分割不精确、特征冗余、分类模型选取都影响着识别效果。基于卷积神经网络的图像处理方法可以简化识别步骤,有望完成低成本、高精度的白细胞识别任务。本文使用卷积神经网络和迁移学习的方法进行白细胞图像检测及分类,主要研究工作如下:(1)基于卷积神经网络的白细胞图像检测。本文为了提高检测精度,在YOLO方法的基础上做出改进,将白细胞当成正类、背景当成负类进行白细胞检测,首先使用旋转、图像拼接等数据增强方式对数据扩增;然后使用Kmeans++算法对Kmeans聚类作初始化,使用Kmeans算法对白细胞边界框尺寸进行聚类得到初始候选框,利用带残差模块的卷积神经网络提取特征,在初始候选框上进行边框回归得到白细胞预测框;最后使用非极大抑制在预测框中选择最优边框得到白细胞位置。(2)基于迁移学习的白细胞图像分类。针对小数据量白细胞数据不足以拟合网络模型的问题,本文用自然图像为源域在InceptionV3网络上学习图像底层特征,固定网络结构及参数并迁移到以白细胞图像为目标域的神经网络中,加入多个全连接层进行分类训练,实现五类白细胞的自动分类功能。本文在白细胞图像上进行了实验,并与其它深度学习方法及传统图像处理方法进行对比。实验结果显示,本文的目标检测方法实现白细胞检测准确率为97.84%,优于YOLO。目标分类网络的五类白细胞分类平均准确率98.58%,优于支持向量机、随机森林、AlexNet、VGG和未迁移的Inception V3。本文有效地利用卷积神经网络对白细胞精确检测,利用迁移学习网络对白细胞准确分类。