近年来,计算机图像处理技术在生物医学领域的广泛应用极大地推动了生物医学的发展。实现细胞学涂片的自动化分析对临床应用与学术研究有着重要的意义。在此背景下,本论文设计了一种动态细胞分析系统,实现了细胞计数与细胞分类两大功能。对于细胞计数问题,针对高密度细胞图像难以通过细胞自动检测实现计数的问题,论文引入了密度函数的定义,推导得到密度函数的非线性模型,研究了基于随机森林回归模型的密度计数算法。针对细胞图像中细胞大小与形态不一致的场景,提出了通过提取预测图像的局部极值来识别细胞中心的方法。用距离函数代替了高斯密度函数,将距离函数定义为像素点离其最近细胞中心的距离,并将细胞中心的距离函数值扩大一倍使得重叠细胞群的细胞中心更容易被检测到。该方法在细胞形态不一致、尺寸大小不一样的情况下也具有良好的鲁棒性。对于细胞计数非线性模型的训练,论文提取了细胞图像的多种局部像素特征,包括颜色特征、边缘特征和纹理特征进行训练。针对原始特征集数量多、冗余度高等问题,利用MRMR算法与随机森林特征选择算法对特征进行筛选,得到了维度低、效果好的特征子集作为模型的输入,降低了模型的复杂度,提高了算法的计数精度与效率。对于细胞分类问题,论文研究了基于随机森林算法的图像分割算法,实现细胞前景与背景的粗分割。针对重叠细胞的分离问题,研究了基于数学形态学改进的分水岭分割算法,以区域的圆形度为判据,对重叠区域进行层层腐蚀得到分水岭的种子点,实现了单个细胞的分离,并用椭圆拟合法得到优化的细胞边缘。对于细胞分类器训练问题,论文提取了描述细胞对象的多种重要特征,包括形态特征、颜色特征、光密度特征和纹理特征等,将这些特征参数输入到随机森林分类器进行训练,能够适用于多种类型的细胞分类问题。根据实际应用需求,论文设计并开发了 Windows平台的动态细胞分析软件,使用户可以通过简单的交互训练模型,实现细胞计数与细胞分类。最后,论文设计了多个实验,通过实验验证了本文提出的细胞计数算法能够有效地对高密度细胞图像进行精确计数,在细胞形态、尺寸不一致的情况下也具有良好的鲁棒性。本文提出的细胞分类算法能够有效地实现细胞分割与细胞分类。