随着世界人口逐渐增长,人类对太空探索的渴望日益强烈。为了满足空间任务的自主需求,探索太空环境因素对宇航员肌肉萎缩的影响以及药物分子对肌肉萎缩的作用。科研人员将适用于太空环境的含有肌肉干细胞的培养皿置于卫星上,任由肌肉干细胞自由增殖分裂。当肌肉干细胞增殖到一定数量,更换新的培养液,该培养液中含有诱导分子,能够诱导肌肉干细胞分化。细胞分化过程中,多个肌肉细胞融合形成长管状的肌纤维细胞。在此过程中,加入药物小分子观察肌纤维细胞生长状态,以此判断药物分子对肌肉萎缩的效果。鉴于此,本文针对不同需求提出了对应算法,算法包含肌肉干细胞计数与肌纤维细胞形态学参数测量两大部分。在肌肉干细胞增殖过程中,需要监视细胞数量,作为更换培养液的依据。本文中传统算法利用不同的滤波器对肌肉干细胞图像进行预处理,接着采用基于K-means聚类的算法对细胞进行计数。但传统方法对非圆形肌肉干细胞计数效果不佳,故本文进一步提出了基于Mask R-CNN的细胞检测算法,该算法利用多种数据增强算子扩大细胞图像数据量,同时利用滤波器和二值化算法去除图像中背景和细胞信息,使Usiigaci数据库的数据和标签能够与本文的细胞数据融合,最终通过迁移学习训练出适用的深度学习神经网络。该算法相对于传统方法能够识别更多类型的肌肉干细胞,能准确地检测出细胞边缘,且具有较好的数据扩展性。在肌肉细胞分化形成肌纤维细胞过程中,需要监测细胞形态学变化,判断药物对细胞萎缩的影响,本文提出了一种基于曲率和样条拟合的算法自动对肌纤维细胞的形态学参数进行测量。将细胞图像进行预处理使细胞和背景分离,利用两次阈值化分割粘连细胞,得到准确的细胞边界。接着通过样条插值拟合细胞边界,依次计算边界点的法向量和曲率,基于法向量寻找对应匹配点计算细胞宽度;根据曲率寻找细胞端点,进而拟合细胞骨架获取细胞长度。实验结果表明,该算法获取的形态学参数与手动测量分布一致。该算法实现了对肌纤维细胞的形态学测量,细胞测量平均时间缩短了83.7%,极大提高了科研人员研发效率。