目标检测主要通过人工智能技术识别并定位图像中的物体，在实际生活中应用领域广泛：数字摄像机智能火灾监控、医学影像肿瘤检测、数码相机人脸自动定位等等多个领域。传统目标检测算法因无法利用图像的深层特征而易受到物体遮挡、光照变化等因素的干扰，导致漏检与误检。深度学习的出现可以很好地解决这一问题。深度学习算法可以从样本中学习，通过对特征的加工组合，进而提取图像的更深层特征。本文在深度学习理论的支持下研究目标检测在血液细胞中的应用。
　　医疗图像的获取以及标注需要耗费巨大的人力成本，而训练数据不足会导致模型出现过拟合的现象，尤其是血液细胞中各类细胞的识别。并且血液细胞图像本身存在着对比度低和各类细胞数量、外形差异较大的特点,这些都影响着血液细胞检测的精度。本文在对深度学习目标检测算法研究的基础上，采用YOLO-v3模型对血液细胞中的各类细胞识别，并通过改良算法提高血液细胞的检测精度。为了提高血液细胞的精准度，笔者从以下两方面进行了研究：
　　(1)提出数据扩充和图像增强的预处理技术。该技术通过对图像进行旋转、翻转操作扩充训练集，之后通过拉普拉斯算子和直方图均衡方式增强图像的细节。结果显示该方法可提升血液细胞的检测精度，三种血液细胞的均值平均精度(mAP)由0.5026提升到0.5722。
　　(2)应用加权的损失函数，根据不同类别细胞的外形特征以及在数据集中的数量，对其赋予不同的损失权值。该方法可以加大识别率低的类别被检测错误时所受到的惩罚，使模型在训练时更专注于检测精度低的样本。并通过一系列实验确定最优的损失权值。实验结果表明：改进后的损失函数在保证其他两类细胞检测精度的前提下，提升了血小板细胞的检测精度，血小板细胞的平均正确率(AP)由0.2382提升到0.5447。