基于CMOS图像传感器及微流控技术组成的无透镜细胞采集系统因其具备便携化的优点越来越受到研究者的青睐。但该系统采集图像时因没有经过光学放大,采集的细胞图像分辨率低、特征信息少。采用传统图像处理算法很难提高低分辨率细胞图像的分辨率与特征细节。本文利用卷积神经网络算法,对低分辨率细胞图像的超分辨率重建算法及同类相似细胞特征融合算法进行了研究。为了实现低分辨率细胞图像的重建与特征融合。首先以白细胞为例研究了低分辨率细胞图像数据集的建立。由于无透镜系统采集的细胞图像分辨率低,因此利用显微镜采集血涂片。采用bicbic下采样算法获得模拟无透镜系统采集效果数据集,并运用无透镜系统采集血样本获得白细胞数据集,接着采用图像处理算法制作了有空泡病变白细胞数据集。然后在caffe上搭建低分辨率细胞图像重构网络(CSRN)。待训练得到重构模型后,从模拟无透镜采集效果的数据集与无透镜系统采集的白细胞数据集中分别选取3幅图像进行测试。并采用主观和客观图像质量评价标准对重建结果进行评价。结果表明:相比Bicbic、SRCNN、FSRCNN等算法重建的白细胞图像,CSRN网络有效的提高了低分辨率细胞图像的细节信息,这对于低分辨率图像的识别、分类等应用意义重大。最后搭建低分辨率细胞图像特征融合网络(CFFNet),并训练得到特征融合模型。从模拟无透镜采集效果的数据集与无透镜系统采集的白细胞数据集中分别选取4组(每组11幅)细胞图像进行融合,融合结果为集合测试图像特征的正常白细胞图像。接着运用图像二值化等算法计算融合细胞图像核质比等特征参数,随后分别将正常与病变图像按照不同组合方式进行混合,在混合图像中选取11组(每组11幅)图像并进行测试。结果表明,融合细胞图像的形貌等特征与测试图像占比较大一方相似。证明融合结果服从统计学规律且能够实现血细胞病变检测,对于细胞的疾病诊断和医学字典库的建立意义重大。