观察细胞微观的复杂结构是研究细胞的重要步骤。现代生物、医学乃至药物等研究领域都需要借助细胞微观结构的表征,探索生物的状态、特性乃至生理过程。传统的细胞成像方法中最具代表性的是荧光标记技术。这类方法的优点是成本低、灵敏度高而且操作简单,但是使用荧光试剂对于细胞本身有一定的损伤。随着研究的深入,对细胞成像及分析技术也提出了更多新的要求,需要新的高分辨率的生物成像方法获得有关细胞性质变化的信息。近场微波显微系统作为新兴的显微成像技术,在小于自由空间辐射波长的区域内表征样品的电参数响应,可以突破远场显微技术的空间分辨率极限。由于微波对于介电特性敏感而且具有穿透性,因此微波近场显微镜在生物成像方面也具有很大的潜力。更重要的是,使用微波成像不需要对生物样品进行额外的处理,保证对样品的无损检测。本文基于近场微波显微系统对植物细胞进行了成像研究,并且使用机器学习的方法处理近场微波显微系统采集到的数据,进行细胞分类工作。近场微波显微系统的核心在于探针针尖和扫描样品的之间的响应,本文在COMSOL多物理场仿真软件中对针尖-样品的响应进行了仿真,分析细胞介电特性、含水量、针尖间距等不同因素对植物细胞扫描成像的影响。我们针对扫描过程中图像失真的问题进行了分析,调整了近场微波显微镜的扫描控制程序。通过对于鼓状芯片的两次成像,验证了控制软件调整对图像的提升效果。之后通过水培的方法培养了重金属离子污染和未污染两类植物细胞,基于调整后的控制软件,对这两类洋葱表皮细胞进行点扫描、线扫描和面扫描,获取了近场成像结果。将光学照片,近场成像结果和点扫描图像进行综合对比,表明近场微波显微系统具备实现细胞识别的潜力。利用机器学习算法对扫描数据进行分类实现近场微波显微系统的细胞识别。首先根据近场微波显微系统扫描的特点进行数据的预处理,另外为解决数据不平衡的问题,将扫描获取的数据用合成少数类过采样技术进行了扩充。再利用卡方检验和互信息的方法对特征向量特征评分,选择相关性高的特征值作为输入数据。最后采用反向传播神经网络、一维卷积神经网络、集成化模型进行分类预测并且对比不同分类方法的性能。结果表明最优的分类方法可以达到90.93%的准确率。