细胞学检测作为一种重大疾病检测手段,在现今医学领域占有重要的位置,细胞学研究的前提是拥有细胞样本,而细胞样本的采集离不开显微镜。在图像处理技术和传感器技术还不发达的年代,图像的采集完全依靠人力完成,通过不断地手动调整物镜和目镜达到聚焦的目的。这种方法既费时又费力,随着工作时间的增长,医师的体力和注意力逐渐降低,聚焦的准确度会受到进一步影响。另一方面由于是人为的主观判断是否达到聚焦位置,每个医师的判断标准和依据存在一定的差异,这也会导致聚焦结果有一定的出入。针对此种缺陷本文对基于自适应聚焦过程的细胞图像融合方法做出了研究。首先进行平台搭建,之后根据提出了一种基于背景像素点灰度值的显微镜自适应自动聚焦算法进行实验分析。该方法由两个新提出的清晰度评价函数结合爬山法搭建而成,虽然能够快速、准确地聚焦,且敏感度高、时效性好,但是该方法不能够解决聚焦过程中需要来回移动显微镜的问题,针对此缺点本文进一步提出了基于神经网络的显微镜焦点预测方法。根据显微镜移动一定的距离后,像素的梯度值变化程度几乎一致这一现象提出了一种基于梯度值变化的清晰度评价函数,该函数可以不用做归一化,而是可以直接用来建立预测模型。后期采集到的清晰度评价函数值直接输入到预测模型中进行焦点坐标预测。然后进行大量的实验对比验证分析本文方法的性能。在聚焦采集图像的过程中由于透镜成像和物镜视野的原因,会出现多焦点聚焦现象。为了得到一张更加清晰的图像,本文提出了一种基于块分割的区域融合方法。该方法将基于块分割融合和基于区域分割融合结合起来,减少对整幅图像分割过程中的误分割现象,降低了区域配准的难度,消除了“块效应”,最后将块内需要融合的区域融合到一起,进而得到一张清晰的图像。最后,针对所设计的基于自适应聚焦过程的细胞图像融合方法进行仿真实验验证并和一些经典的方法进行对比分析,分析该方法的可行性和优越性。经实验表明,本文提出的方法能够快速、精准、清晰的采集到图像。