近年来,随着计算机视觉理论和技术的快速发展,以及医学影像对现代技术的急切需要,利用计算机对现代医学影像的检测和处理成为了现代工程领域的一个研究热点。医学影像的获取是现代医学检测的一个非常重要的环节,直接关系到疾病检查的最终结果。目前在现代医学工程中,人们越来越重视采用计算机技术来辅助临床医生分析细胞图像、检测病变部位等,提高医学检测的速率和准确率。利用图像处理和计算机视觉技术对某些医学图像进行处理,具有极高的研究价值和工程应用前景。本研究中的细胞图像,是指使用显微拍摄仪对玻璃盖片上抹平后的细胞进行拍摄而获得的数字图像。在目前对细胞图像的研究中,尚未出现一种较为普适的算法来解决所有的细胞图像问题。在众多算法当中,以单独使用图像处理方法和单独使用深度学习模型处理为主,而本研究中的细胞图像数据集中有严重的光照不均、细胞重叠以及细胞畸形等众多问题,单纯的一两个算法并不能很好解决如此多问题。由于对细胞图像的处理问题涉及到临床应用,若对细胞的处理无法满足一定的准确率,极为容易造成临床医生对患者的误诊,因此其对本研究提出了较为苛刻的要求。本文提出了一种基于图像处理、计算机视觉以及机器学习的集成式方法来解决细胞图像的分割以及特定的网织红细胞的识别问题。本文的方法首先针对细胞图像的某些外在干扰和本身无法避免的噪声使用图像处理技术对其尽可能有效地处理,然后根据图像预处理出现的细胞畸变问题,采用了特征提取和机器学习分类算法相结合的方法对其识别,进而对不同的畸变细胞分别采取相应的算法进一步后处理,使得细胞的分割效果更佳。而对于网织红细胞的识别问题,本文运用了目前较为流行且有效的卷积神经网络,最终实现了整个细胞图像的分割和网织红细胞的识别。本文的研究成果若后期形成一整套包括软硬件结合的系统,即可以达到实现细胞图像计数和识别的自动化和智能化,推动生物医学领域的发展。本文的创新点:1)针对图像分割和识别问题,本文结合了图像处理、计算机视觉以及深度学习等多领域的算法,实现对细胞图像的分割处理以及特定的网织红细胞的识别,在工程应用上实现了一定程度的自动化和智能化的目的。2)在图像的预处理中,本文针对细胞图像背景复杂、干扰因素多等问题,使用了背景解调以及双二值化方法结合的算法,较好的解决了图像的内外部干扰。3)针对网织红细胞的识别问题,应用传统的特征提取和分类的方法并不能有效解决,本文受现有的经典深度神经网络模型启发,设计了一个新的卷积神经网络模型ReticNet,并有效应用到了网织红细胞的识别问题中。