使用机器学习方法进行图像的分类是当下热门的研究方向之一,Google的AlphaGo与人类的围棋大战,更是促进了机器学习的进一步发展,卷积神经网络是应用广泛的机器学习算法,当下在金融风险预警,企业决策,字符识别等领域都有较多的应用。医疗影像技术随着科技的进步在临床上得到广泛应用,使得很多疾病可以更早发现、更早治疗,医学图像分类主要依靠人眼观察,耗时、耗力、且容易受到医生主观因素影响,医学细胞图像的计算机分类也成为研究的热点和难点。本文研究对机器学习算法——卷积神经网络模型进行改进并应用于单细胞图像分类,完成的主要研究工作如下:1、阐述了卷积神经网络的基本理论,介绍了从感知机模型演变到卷积神经网络的过程,以及Softmax分类器等理论知识,为模型的建立和改进提供理论基础。2、针对公开的HEp-2细胞图像库和宫颈细胞图像库中图像数量较少,且大小尺寸不一,无法直接训练卷积神经网络模型;本文研究使用缝裁剪法、高阶插值法对图像进行缩放,使得单细胞图像具有相同的尺寸,同时使用裁剪、对比度、亮度变换、旋转、规范化等方式对于小数据集进行数据提升,扩大了训练集合。3、针对经典的卷积神经网络模型不能有效的进行单细胞图像分类的问题,设计了一种改进的卷积神经网络模型,通过批技术、局部响应归一化,Softmax等六个方面改进了卷积神经网络模型。4、为了进一步提高卷积神经网络模型对单细胞图像的分类识别能力,考虑到人类视觉过程中感受野并非固定不变,设计了一种改进的卷积神经网络模型——同层多尺度核卷积神经网络,通过增加多尺度感受野、使用ReLUs、变更核函数数量等方式对卷积神经网络模型进行了改进。5、使用Google的Tensorflow框架编写改进的卷积神经网络模型,并通过ICPR2012 HEp-2数据集和宫颈细胞集对改进模型进行分类仿真测试。仿真结果表明:本文设计的两个模型具有较好的鲁棒性和抗扰性,对于图像残缺、对比度亮度不同以及旋转等都仍然能够很好的完成HEp-2单细胞图像的六分类和宫颈细胞图像的二分类识别。