外周血图片的分析对于评价人类身体健康状况具有重要的意义,医生能根据相关图像为病人找准病因,从而制定相应的处理方案。同时随着现代科技的高速发展,为了快速高效精准地辅助医生做出病理决策,智能医疗辅助的手段也逐渐走入医学领域中以辅助医生做出相关病理的决策,其中,当下最热门的就属于将人工智能技术引入到医疗诊断领域当中。但是对于实验人员而言,收集充足以及平衡的白细胞数据集并不是一件容易的事情,除此之外,许多用于分类白细胞的方法也都相对比较繁琐和耗时,同时这些方法通常需要极富经验的实验人员选择一些特定的特征用以分类,这从而也就导致了分类结果有时候往往因为实验人员的主观性从而缺乏一定的客观性。因此,本文提出了一种针对不平衡样本集的白细胞图像分类方法,该方法主要基于深度学习技术,利用卷积神经网络自动学习获取到图像中高层次的白细胞图像中的特征用以分类。其中,本文的方法主要可以分为两份部分,分别是:对白细胞图像预处理阶段和对预处理后的白细胞图像分类阶段。其中在对白细胞图像预处理阶段,本文首先基于faster R-CNN网络模型实现对于原始白细胞图像中的目标检测工作,将感兴趣的白细胞区域从图像中标记出来。然后,本文基于标记出的白细胞区域图像做颜色空间RGB到HSV上的映射,将细胞核给标记出来;基于被标记出来的细胞核位置用以改进超像素分割的方法用以更进一步分割出白细胞区域。当完成了白细胞区域的标记后,本文接着基于滑动窗口的思想提出了一种新的去除冗余信息的方法——RRA方法,该方法有效地去除了75%的无关信息区域从而进一步提升了白细胞区域的特征占比。最后,在处理完的图像上,本文基于DCGAN网络对原始数据集中数据样本较少的类进行数据样本的扩充。在对预处理后的白细胞图像分类阶段,本文考虑到目前常用的分类网络,往往在保证正确率的时候却会一定程度上牺牲时间性能,故而针对这样一种情况,本文基于多层批归一化层(Batch Normalization)构建了一种新的分类器模型——MBNnet用以完成最终的分类任务。最后通过对比实验证明了本文所提出的预处理方法的有效性,然后本文在预处理好的数据集上进行充分的实验将MBNnet分别与常用的分类网络:VGG16,Alex Net和Res Net50进行了比较,最终的实验结果显示了本文提出的方法在较低的训练时间成本下达到了约99.69%的总体准确性。