CD4细胞是一种重要的免疫细胞，其在血液中的含量是表示人体免疫能力的重要指标。测定CD4细胞的含量(CD4计数)具有重要的临床意义。标准的检测方法采用流式细胞术(FlowCytometry,FCM)和血球分析进行，虽然结果比较准确，但费用昂贵、设备复杂，限制了它的广泛应用。一些新的基于生物芯片技术的方法降低了检测费用，如曹波开发的利用显微镜进行CD4含量测定的技术，但存在劳动强度大，结果容易受检测人员的主观因素影响等诸多问题。针对曹波的检测方法存在的问题，本文提出基于图像处理及模式识别技术的CD4细胞含量检测的思路，包括图像检测识别系统的原理、流程和软硬件设计方案，推导了系统扫描过程中的步长公式。论文着重研究了检测系统的关键部分—CD4显微图像的处理与识别技术，主要从以下几个方面进行了研究工作。 首先是图像预处理。分析了CD4显微图像的特点，并对其进行了背景校正和适当的图像增强。比较分析了KSW熵、OTSU(最大类间差)及最小误差等三种图像分割方法的特点，其中，KSW熵法较好地实现了对CD4显微图像中背景和待检测目标之间的分割。提出了一种逐点扫描的填充算法，有效的实现了待识别目标中空洞的填充以及目标完整地检出。 其次是特征获取和优化。采用二次分割的方法，将CD4细胞分为内部浅色区和外部深色区两部分。提出了有较强分类能力的特征：1/2等效半径内的杂质量。从形态、色彩、光密度和纹理四个方面共获取了待识别目标的54个特征，并对算法做了较详细的分析。以类内类间距离作为分类依据，采用广义的增L减R法对原始特征进行特征选择，兼顾了效率和可靠性；采用基于主成分分析(PrincipalComponentsAnalysis，PCA)的特征提取方法对原始特征进行了降维处理，达到了特征优化的目的。 最后是分类器设计。利用特征优化的结果，分别采用Fisher线性判别函数、BP(Back-Propagation，反向传播)神经网络和支持向量机(SupportVectorMachine，SVM)来实现CD4显微图像中待识别目标的分类。通过对三种分类器的比较，最终决定选用经过特征选择后的7特征的SVM分类器。这种分类器有95％的识别率，且具有较好的推广性。用C++Builder5.0开发了CD4细胞显微图像的训练与识别软件，软件具有较好的时实性和较高的识别率，为整个检测识别系统的实现打下了良好的基础。 论文最后一章在总结全文工作的基础上，对以后的工作做了进一步的展望。