白细胞是人类免疫系统的核心组成部分,是为人体抵抗外来细菌和病毒入侵的重要屏障,当人体发生某种疾病时,血液中白细胞的数量和种类也会随之发生变化。因此,对人体中外周血白细胞进行准确的检测与分类,对帮助医生进行相关疾病的诊察与判别具有重要意义。传统的外周血白细胞的临床检测往往通过采用人工镜检进行采集与识别,但是这类人为分析和处理的方法很容易受到主观因素的影响,存在一定的误差,且由于外周血白细胞数量多、差异小,采用人工镜检的方式耗时耗力,效率低下。因此,探究自动检测外周血白细胞以及对其进行准确分类的方法的需求迫在眉睫。近年来,卷积神经网络模型已应用于各种医学图像处理任务,并展现出令人满意的性能。但传统的卷积神经网络仍受限于特征表达能力的不足,因此,本项工作将视觉注意力机制的思想引入到深度学习检测和分类模型中,设计了两种改进的注意力机制,在此基础上提出两种深度注意力模型,分别应用于人体外周血图像中各类细胞的检测任务以及外周血白细胞的六分类任务,主要工作如下:（1）为提高深度学习检测模型YOLO-v3对白细胞和其他血细胞的检测精度,设计了一种改进的Squeeze-and-Excitation（SE）注意力机制,并使用其来改进YOLO-v3网络的学习性能,提出了一种基于改进的SE的检测方法SE-YOLO。此模型在不同的结构块中加入了改进的SE模块以加强网络对输入特征的信息甄别,提升网络的检测性能。（2）为了在网络中突出更多的可区别特征并加强对有意义特征的学习、解决特征信息利用不充分的问题,将通道注意力与空间注意力思想相结合,设计了一种新型混合注意力机制,并使用设计的混合注意力机制来改进卷积神经网络Res Net的分类性能,提出了一种基于混合注意力机制的残差网络（MA-Res Net）。在MA-Res Net中,为了降低计算成本,还提出了一个轻量级输入子网络来减少网络的参数量。最后,还为MA-Res Net设计了一种改进的残差网络下采样模块,以避免特征信息的丢失,进一步提高网络性能。（3）为了验证所提出的SE-YOLO的优越性,在血细胞的公共数据集上进行了对外周血白细胞、红细胞和血小板的多任务检测,实验结果和对比分析证明SE-YOLO算法取得了目前最优的检测性能。另外,还对SE机制的改进策略以及对YOLO-v3的改进机制进行了评估实验,实验证明对SE机制的改进以及对YOLO的改进均可以提高网络性能。（4）为了验证所提出的MA-Res Net的优越性,将其应用于具有挑战性的白细胞六分类任务上,并与多种最先进的分类算法做了对比实验,在多个指标上的评估结果表明MA-Res Net取得了目前最优的分类性能。另外,还进行了丰富的消融性实验,来验证每个改进策略的优越性。最后,对实验的多种重要参数再不同设置下进行了实验,来探究实验的最优配置。