近年来，随着计算机技术和人工智能的快速发展，计算机视觉技术已被广泛应用于抗癌药物的研发和细胞病理的分析等生物医学工程领域，显微图像序列下的细胞检测与识别一直是计算机视觉领域亟待解决的重点、难点问题之一。而深度学习通过组合低层特征形成具有抽象表示的深层神经网络，突破了低层特征到高层语义理解的障碍，极大地提升了机器在视觉特征的提取、语义分析和理解方面的智能处理水平，近年来在计算机视觉、语音和自然语言处理等方面取得了巨大的成功，特别是目标检测和图像识别领域。因此，本文以膀胱癌T24相称显微图像细胞为研究对象，利用卷积神经网络（Convolutional Neural Networks, CNN）算法对显微图像上的癌细胞进行检测，并以此为基础，对癌细胞有丝分裂的分裂前、分裂中、分裂后以及死亡等状态进行识别。本文主要研究成果如下：　　（1）根据显微图像序列下癌细胞的特性，本文利用目前检测领域效果最好的算法之一—区域卷积神经网络（Region-ConvolutionalNeural Network，R-CNN）对癌细胞进行检测。该算法首先通过建议区域算法产生候选区域，接着利用CNN对候选区域特征进行提取，最后通过SVM算法对癌细胞进行类别判定，最终判断该区域其是否是癌细胞。实验结果表明，无论癌细胞处于粘连状态还是处于单个游离状态，R-CNN都可以有效地检测到其位置信息，为将来进一步对癌细胞进行分割或跟踪奠定基础。　　（2）在R-CNN的基础上，本文提出了多个建议区域融合算法。首先，分别用选择性搜索算法（Selective Search）和边缘框算法（Edge Box）提取显微图像序列下的癌细胞图像的建议区域；然后，将两者得到的建议区域进行合并融合；最后，剔除两者之间的冗余区域，最终得到更为有效的候选区域。实验结果表明，相比单个建议区域算法，多个建议区域融合算法出现的漏检率更低、效果更好。　　（3）在上述癌细胞检测的基础上，本文基于CNN算法提出了癌细胞有丝分裂的状态检测方法，通过采用有监督的CNN对癌细胞有丝分裂的分裂前、分裂中、分裂后以及死亡等状态进行识别，并与梯度直方图（Histograms of Oriented Gradients，HOG）、局部二值模式（Local Binary Patterns，LBP）、Gist算法、Dense-sift算法等传统人工特征提取算法进行了比较。从对比的实验结果表明，深度卷积神经网络以96％的识别率远远超过其他传统的特征提取算法。　　由上述研究成果表明，利用CNN可以提取更加丰富的特征，能有效的对膀胱癌T24相称显微图像序列下的细胞进行检测和其有丝分裂下的状态进行识别，本文的研究将有助于通过计算机视觉技术为抗癌药物的研发和癌症诊断等领域的顺利开展奠定一定的基础。