随着智慧医疗、远程医疗和医联网的发展,对生物细胞及生物样品进行即时检测（POCT,Pointof Care Testing）的应用需求不断增长,无透镜成像系统具有大视野和微型化的特点,作为医联网的感知节点设备受到广泛关注。但是,目前的无透镜细胞检测系统的主要功能是细胞图像采集,而细胞图像的特征提取、分类重构等算法依然主要依赖上位机或离线方式进行,难以实现检测设备的便携化。面向低功耗、低成本和实时性的终端系统应用需求,本文针对无透镜细胞成像系统便携式终端缺乏细胞图像数据处理能力的问题,研究基于神经网络的细胞图像处理算法,并深入探讨算法的硬件实现方案,主要研究成果如下:1.针对卷积神经网络运算量大,难以应用于便携设备的问题,提出了可应用于通用神经网络运算的非对称量化算法。该算法根据卷积神经网络特征值取值范围和权重值取值范围的不同分布特征来动态调整量化缩放系数和量化中心点偏移量以达到最佳的量化效果,并在卷积运算完成后重新统一量化参数。实验分析表明,采用整形8bit量化时,与浮点32bit相比,识别精度只下降了 0.56%,在保证神经网络运算精度的同时有效地降低硬件电路功耗及面积。之后进一步构建了量化算法的电路架构,并提出了双配置寄存器组的电路设计方案,有效提高了神经网络运算层之间的运算效率。在FPGA上实现了非对称整数低比特量化算法电路,并将其应用于基于无透镜成像的CNN白细胞分类系统,实验结果表明,采用整形8bit量化时,当FPGA频率为100MHz时,可获得17.9fps的分类速度,准确率为98.44%。与采用浮点32bit相比,电路面积下降了 45%,识别精度仅下降0.56%。2.针对电池供电的智能生物细胞检测设备中神经网络加速电路能耗高的问题,对并行度和资源占用最大的卷积阵列电路做出了探索性的研究,分别提出了基于布斯乘法器的补码算法和针对硬件实现优化的Winograd算法。基于布斯乘法器的补码算法通过补码统一补偿的方式将查表运算中的减法器去除来达到降低电路复杂度和功耗的目的,而针在电路上去除减法器设计,将减法都通过补码补偿的方式在运算的最后进行统一补偿。这两种算法都可以有效降低卷积神经网络对电路面积的消耗和运算过程中的功耗。在进一步构建算法加速电路架构时,还提出了根据多级运算精度等级划分时钟域的算法实现电路和与之配合的基于设备电池电量的动态神经网络运算精度调节控制方法,该控制方法可以基于不同电池电量时工作于不同的运算精度,从而有效提升电池供电检测设备的工作时间。在FPGA上实现了基于布斯乘法器的补码优化算法和针对硬件实现优化的Winograd算法,并将其分别应用于基于无透镜成像的酵母培养检测系统和藻类检测系统,实验表明,基于布斯乘法器的补码算法电路可以降低面积18.11%和降低功耗23.5%;针对硬件实现优化的Winograd算法电路相较于普通卷积电路,运算速度提升55.56%,电路面积下降3.19%,功耗降低11.09%;基于设备电池电量的动态神经网络运算精度调节控制方法相较于固定精度运算方法,在相同电池电量条件下,可以使设备工作时间增加101.04%,同时识别精度仅下降6.47%。3.针对便携式生物细胞检测设备在智能物联网上的互联信息传递需求,在完成采集分析原型系统的实现后,提出了一种具有云-边-端三级结构的智能物联网架构。将本文提出的智能便携生物细胞检测设备作为智能物联网的边侧和端侧设备,完成多路生物细胞信息的采集和无线传输,并在边缘侧对终端原始数据完成初步智能分析后将分析结果传输到云端。研究中还探索了让生物细胞图像采集和细胞培养等多个功能集成在一个小型多功能图像采集架的设计方法,并给出了无线蓝牙多通道采集的AIoT多级智能检测网络设计方法。4.针对不同的细胞培养和检测需求,设计和研制了适应不同应用需求特点的微流控通道芯片和图像采集硬件,并最终设计完成了不同的便携细胞培养和监测系统。与此同时,在这些系统中对生物细胞检测设备的温度控制进行了研究与探索,包括提出一种能在便携生物监测设备上实现自动温度控制系统的设计方法。这些系统包括血细胞分类统计分析,水体藻类监控,水藻培养,酵母培养等多种智能生物细胞检测系统。基于以上的研究,明确了基于微流控芯片无透镜显微成像的便携智能细胞培养检测系统的可行性和研究价值,为微电子、人工智能以及细胞检测的结合提供了可能,为生物细胞检测的小型化提供了方向,有利于推动基于人工智能（AI）的细胞培养采集和分析工作从大型专用服务器向便携式细胞分析设备的转变,促进重大疾病、环境污染的快速早期分析。