尿液有形成分细胞分析对作为医学三大常规检查项目之一的尿液检测具有重要的参考价值,其分析方法主要有相差显微镜人工镜检以及各种类型的分析仪自动分析,但分别存在效率低和误差较大的问题,难以处理尿液检测中出现的海量有形成分细胞图像。目前,随着深度卷积神经网络的快速发展,越来越多的人将这些技术应用到尿液有形成分细胞分析中,为提高其分析结果的准确率提供了新的方法。尿液有形成分细胞分析识别的主要内容包括尿液图像中的红细胞、白细胞、结晶、管型等12类病理成分。该过程分为两个重要步骤,分割和识别,首先对尿液图像中的各类细胞分割提取,然后对提取出来的结果进行识别分类。由于分割算法和识别算法在尿液图像的具体应用方面研究较少,本文将针对尿液图像和细胞形态特点,围绕这两个方面工作进行研究。具体如下:(1)在尿液图像分割方面,针对尿液细胞形态复杂多变、灰度值相差大且细胞与背景之间梯度不一致的特点,设计了一种基于边缘检测自适应种子区域生长的尿液图像分割算法。该算法给出了进行种子区域生长时种子的选取方案和生长判决条件及生长过程,通过边缘检测的方法将种子选取在尿液图像的背景上并进行自适应阈值选取,能够对尿液图像中的有形成分细胞进行有效的分割。实验结果表明,与其他的分割算法相比,该算法具有更好的的分割效果和更高的鲁棒性。(2)在尿液有形成分图像识别方面,针对细胞个体相似性较高的特点,结合Goog Le Net网络的特征提取能力和SENet的特征通道学习能力,提出了一种压缩激励机制驱动的尿液细胞图像分类算法SE-Goog Le Net。该算法通过压缩操作和激励操作来学习细胞特征通道之间的依赖关系,并采用特征重标定提升重要特征在当前任务中的权重,能够获取更好的分类效果。针对各类细胞数量分布不平衡的问题,采用改进的类别重组法进行数据预处理,并提出了一种更适用于尿液细胞图像识别的损失函数Gauss Loss,该损失函数可以让模型将更多的注意力聚焦在中高等难度样本上,减少误标样本带来的影响,同时也保证易分类样本的权重不至于太低,也可以参与到损失函数的梯度优化中。通过对比实验表明,该算法在保证运行速度的情况下可以有效提升识别分类的准确率。结合所提出的尿液图像分割算法和有形成分细胞识别算法,设计并开发了尿液有形成分细胞分析软件,通过对软件功能的设计、实现和测试,可以分别完成对尿液图像的分割任务和对分割出的有形成分细胞图像的识别任务并进行结果展示,具有一定的灵活性和很好的应用价值。