尿沉渣图像识别与分类系统是全自动尿沉渣分析仪的核心。传统的尿沉渣检查法实验步骤繁琐,中间干扰环节多,可重复性差。因此,运用数字图像处理技术对尿沉渣图像中的有形成分进行准确、快速地识别与分类,应用于尿沉渣自动识别与分类系统,对于实现医学图像的智能化、科学化分析具有重要意义。针对此问题,本文对尿沉渣图像进行有针对性的预处理;采用Mean-shift聚类和Canny算子融合的自适应分割算法分割尿沉渣图像;采用三种深度迁移学习模型完成分类并与三种常用机器学习分类方法进行对比;基于深度迁移学习模型改进了尿沉渣图像分类的方法,有效提高了尿沉渣有形成分的分类准确率。首先,阐述尿沉渣图像分割困难的原因,分析尿沉渣有形成分的特点;使用三种滤波方法并对比尿沉渣图像的降噪效果;提出使用直方图均衡化增强第一类图像,组合增强处理第二类图像。其次,应用并分析两类常用的图像分割算法对尿沉渣图像的分割效果,根据分割效果确定将Canny算子作为第一类图像的分割算法;提出Mean-shift聚类和Canny算子融合的分割算法作为第二类图像的分割算法;设计自适应分割算法并对分割实验结果进行了分析,结果表明本文的算法分割效果良好。然后,分析常用机器学习算法实现尿沉渣有形成分分类的流程;提取并选择尿沉渣有形成分的形状特征和纹理特征用于分类;分析BP、SVM和ELM对尿沉渣有形成分分类的效果;发现基于特征提取进行分类,存在准确率低、无法准确统计数量的问题。最后,针对分类准确率低的问题,提出使用三种深度迁移学习模型进行分类,制作尿沉渣有形成分的图像数据集;调整深度学习迁移模型的网络结构和参数,训练并测试模型的分类正确率;验证了迁移学习模型能有效提高分类准确率。针对无法准确统计数量的问题,运用枚举法的思想,改进了基于深度迁移学习模型的分类方法,有针对性地扩充了尿沉渣有形成分数据集;重新训练并测试了综合性能最优的迁移学习模型,将该模型应用于尿沉渣有形成分识别与分类系统。通过实验结果对比,验证了其能实现更高准确率的识别分类和数量统计。