疟疾是雌性按蚊叮咬传播疟原虫而引起的蚊媒血液病,广泛分布于热带、亚热带和温带的90多个国家和地区,是严重危害人类健康的寄生虫病之一。对疟疾感染细胞的精确检测是后续治疗的前提。镜检是疟疾检测的“金标准”,检测结果准确但是耗时较长而且检测结果的可靠性取决于检测人员的专业水平。引入深度学习辅助甚至代替人工镜检不仅可以在快速诊断的同时保证准确性,而且还可以节省大量诊断所用的资金用以疟疾的防控。YOLO V3目标检测算法对图片中密集的小目标检测效果较好,但是在疟疾检测任务中,仍然有提升的空间。本文对YOLO V3进行了多方面改进,实现了较高精度的疟疾细胞定位和分类的一体化,以协助疟疾的临床诊断。改进包括以下几方面:（1）对细胞定位的优化。YOLO V3中原先采用的IOU定位损失函数存在着定位效果不准确、收敛速度慢的问题。本文引入了 GIOU和DIOU定位损失函数,对比实验的结果表明GIOU损失函数和DIOU损失函数的定位效果均优于IOU损失函数,其中DIOU损失函数表现更佳。（2）对细胞分类的优化。对细胞分类的优化包括对类别分类和置信度分类两部分的优化:针对疟疾薄血涂片中正常细胞数量多感染细胞少（即类别严重不平衡）的问题,在分类环节引入标签正则化对细胞类别进行平滑处理,并对感染细胞设置权重,使得模型更加关注于感染细胞的正确分类,改善了类别不平衡的问题;之后引入了 QFL损失函数,降低类别分类、置信度分类同时出错的可能性。（3）对输出环节的优化。NMS非极大值抑制方法筛选候选框时,会丢失模型输出的部分信息,对预测框筛选效果不佳。本文采用了测试时增强（TTA）方法和加权目标框融合（WBF）的非极大值抑制方法,对YOLO V3输出的预测框进行调整获得了更优的输出结果。通过以上三个方面的改进,YOLO V3检测精度得到了有效提高,其中最优的单个模型检测精度达到了 82.82%,相比改进之前提高了 6.11%。最后借鉴集成学习的思想将多个训练的模型通过WBF方法进行融合,有效降低了漏检现象,最优的组合模型检测精度达到了 86.05%。结果表明,本文提出的改进的YOLO V3是可行有效的,可以较好地实现对疟疾薄血涂片中细胞的检测。