功能性胃肠病和慢性消化系统疾病的诊断在临床上很大程度上依赖于对人体粪便进行外观视觉检查。然而,传统常规的人工粪便检测只能在医院内进行,且存在过程繁琐耗时、缺乏客观的测量方式等问题,导致容易造成误诊误判。因此,本文研究的宗旨在于设计一种自动人体粪便外观检测方法,用于初步筛查患者的胃肠道健康状况,一方面能够让患者及早发现疾病,或达到“未病预防”与“治未病”的目的,另一方面可以减轻医护人员的负担。本文以机器视觉技术为基础,运用深度学习领域在图像识别方面的优势,提出了一种人体粪便图像识别与分类技术。该技术是以系统的方式实现对图像中的粪便进行自动识别与分类,具体过程分为三步:首先通过图像语义分割模型U-Net生成掩码,然后与对应的原图合并来提取粪便区域,最后利用深层图像分类模型Res Ne Xt-50基于改良的布里斯托粪便分类法（Bristol Stool Form Scale,BSFS）对预处理后的粪便图像进行性状分类。两个算法模型都是用本文建立的粪便图像数据集进行训练,实验结果表明,U-Net分割算法的平均像素准确度（mean Pixel Accuracy,m PA）可达96.28%,平均交并比（mean Intersection over Union,m Io U）可达93.75%;Res Ne Xt-50分类模型的粪便性状分类准确率可达93.90%,曲线下的面积（Area Under Curve,AUC）最高可达到0.994,在预测能力方面表现良好。最后,结合目前智能马桶的发展趋势,将本文提出的人体粪便图像识别与分类系统应用在多功能护理轮椅床的智能马桶中,方便患者或用户在如厕排便时同时进行粪便外观检测,免去了采集粪便样本的过程,并可有效辅助专业医生制定更合适合理的诊断治疗方案。通过对系统在智能马桶的应用场景中进行模拟测试,结果证明了系统的粪便区域分割模块和粪便性状分类模块在真实环境中可以正常使用,并能够满足可行性、可靠性以及准确性的要求。