体外诊断技术通过对人体样本进行检测从而获取诊断信息,为医护人员提供了超过70%的临床诊断信息。体外诊断具有无创性、易操作和经济性等特点。随着技术发展,在临床诊断中发挥的作用越来越重要。尿液分析是体外诊断的重要组成,在人体泌尿系统疾病的诊断和预后中具有重要意义。作为尿液分析的关键部分,尿有形成分分类为疾病的分析和判断提供了定量的指标。目前,市场上的尿液分析仪采用的分类算法大多是传统机器学习算法和简单神经网络,需要人工进行辅助判断,且识别的准确率也有所不足。本文基于深度学习的方法,研究了尿液有形成分的检测与识别。首先,利用提供的临床显微镜下的尿有形成分图片,依据专业人员指导与《实用尿液有形成分图鉴》,建立尿有形成分数据集,主要包括图片挑选、标签制作、数据扩增和数据集划分。有形成分类别包括正常红细胞、棘形红细胞、小红细胞、影红细胞、其他异形红细胞、白细胞、白细胞团、草酸钙结晶、尿酸结晶、磷酸盐结晶和其他结晶等共11类有形成分,数据集中包含20842张尿有形成分图片,并按8:1:1随机分为训练集、验证集和测试集。将尿液有形成分的检测与分类问题视为目标检测问题,分别采用两阶段目标检测代表性网络Faster RCNN和一阶段目标检测代表性网络YOLO系列网络进行了研究。Faster RCNN网络中分别采取ROI池化和ROI对齐的区域特征聚集方式,特征提取网络分别选取Resnet50和Resnet101。基于Resnet50和Resnet101的Faster RCNN模型的最高平均精度均值（mean average precision,m AP）分别为90.55%和94.64%。分别采用YOLO v3网络和YOLO v4进行了有形成分分类实验,结果表明YOLO v4神经网络模型在尿有形成分数据集上分类的整体效果最好,m AP值高达97.07%,具有较高的识别准确性和较强的泛化性。YOLO v3神经网络在该数据集上的m AP值可达94.72%。本文采用基于深度学习的目标检测方法开展尿液有形成分自动分类的研究,结果表明基于YOLO v4神经网络模型分类结果的m AP达到了97.07%,具有实际应用推广的可能。