生命离不开水,水质显然是生态状况的一个极其重要的衡量指标,而水中的藻类分布情况,就是水质的一大重要组成部分。研究水样中的藻类信息,对于水体污染以及污水处理都有着极其重大的意义。但受限于绝大部分藻类都是需要显微镜才能观测这一情况,对于藻类的识别还主要依赖于人工检测,计算机视觉、深度学习等领域还没有真正应用到藻类识别方面。本文针对当前藻类识别落后的现状,展开了藻类图像的精确识别算法的研究,并将算法研究成果应用于一个能够精确识别藻类图像的系统。文章主要内容与贡献如下:1.对现有的以凹点配准方式进行图像分割的凹点匹配算法进行了改进,使之能够更准确地应用于黏连藻类图像的分割。在黏连藻类图像的凹点进行两两配对前,先通过引入形态学操作的方式分割出黏连程度较轻的藻类,从而有效减少了总的凹点数量;接着在凹点匹配的流程中,进行了针对藻类显微图像特性的优化,从而将全局的凹点检索策略转变为局部的检索策略,通过这一改变,既不影响准确率又减少了算法的运算量,从而提高了算法的总体运行效率;之后又提出了一种基于距离变换函数的分割算法,来解决凹点匹配算法不能解决的孤立凹点问题,通过基于距离的一种最陡峭路径“翻越山峰”的方式将孤立凹点分割出来,提高了分割算法整体分割准确率;最后又根据藻类黏连图像的特点,提出了特殊三黏连分割算法,在保持整体分割准确率的前提下,有效提升了分割出的单个藻类细胞完整率,并且在时间方面的额外开销可以忽略不计。2.设计出了专门用于藻类显微图像识别的网络模型RN-Algae,该网络模型基于ResNet-50网络模型,针对藻类数据集Algae-6特点改进了池化方式,使得池化层可自适应输入图像尺寸,并且能够固定输出维度以匹配全连接层。最终藻类分类识别结果准确率达到了88%以上。3.通过对比实验验证了藻类显微图像识别网络RN-Algae的迁移性能,结果表明该网络有较好的迁移学习性能。在藻类数据库得以扩充之时,可以训练出能够快速收敛的、可识别更多藻类的新模型。