一种基于微流控芯片和CMOS图像传感器的片上无透镜细胞检测系统为实现便携化、智能化的细胞检测设备提供了新方向。此无透镜系统采集的细胞图像分辨率低且图像灰度变化受实验环境影响大,采用传统的方法进行细胞分割不具有鲁棒性,并且对噪声敏感,难以实现高精度的分割。因此,研究低分辨率细胞图像的高精度分割方法对无透镜细胞检测系统的细胞图像分割具有重要意义。对于低分辨率细胞图像的自动分割问题,提出使用卷积神经网络分割方法实现。由于无透镜系统采集的细胞图像难以制作网络所需的数据集,故模拟系统采集的细胞图像进行数据集的制作。针对低分辨率图像数据集设计网络结构效率低的问题,提出利用高分辨率细胞图像特征明显、易于分割的特点来确定合适的原始网络结构从而缩减卷积神经网络的设计周期。首先通过高分辨率数据集的特点调整初始网络模型,实现网络的轻量化以便于后期移植。经测试,轻量化后的网络对高分辨率细胞图像的分割精度可达97%左右;然后,采用低分辨率数据集验证高分辨数据集确定网络的可行性,测试分割精度达91%左右,表明高分辨率数据集确定的网络模型适用于低分辨图像;接着结合无透镜系统采集的细胞图像具有衍射图斑这一特点对网络进行改进,通过分析不同的网络结构对低分辨率带衍射的细胞图像分割的结果,确定了网络结构中加入残差结构和空洞卷积以提高卷积神经分割精确度;最后对保存的网络数据进行分析与量化,减少网络参数同时不降低网络性能,为实现便携化的细胞检测设备提供理论基础。本次研究基于keras环境,对提出的神经网络细胞分割模型运行并测试,分割准确率达到96%左右;并且对网络数据进行压缩,压缩后的网络参数降低47%以上,同时分割精度达92%左右,实现了预期的目标要求。