急性淋巴细胞白血病是一种影响广泛的急性癌症,主要发病人群是0至9岁的儿童,若未能及时发现和治疗,往往在几个月内就会导致死亡。因此,白血病的早期诊断对患者的治疗非常重要。然而,由于正常白细胞和癌细胞之间存在着高度相似的形态,使病理医生的诊断变得尤为困难。虽然有类似流式细胞仪的仪器可以辅助医生诊断,但是其昂贵的价格,使之难以普及。随着近年来硬件的提升和深度学习技术的发展和应用,计算机辅助医生诊断成为可能,其优点表现在能大幅减轻病理医生的工作负担,并可广泛应用在医疗欠发达地区。本文在调研相关深度学习技术的国内外研究现状的基础上,提出了基于深度学习的白细胞图像分类方法。该方法旨在利用深度学习知识搭建卷积神经网络,完成对白细胞图像的自动分类。本文的主要工作和创新点包括:(1)改进了模型的训练方法。通过使用迁移学习、数据扩增和余弦衰减策略来加快网络的收敛速度、扩大数据集规模和避免模型陷入局部极小值。此外,对网络的不同层设置了不同的学习率,以充分发挥迁移学习的作用。根据这些方法,将模型的准确率和F1-score分别提升了 9.8%和5.4%。(2)提出了混合多尺度图像的预处理方法。该方法通过线性插值混合不同尺度的图像,使模型得到的特征图能同时包含局部和全局特征,缓解了细粒度问题。实验结果表明模型的准确率和F1-score分别提升了 2.3%和1.0%。(3)在ResNet网络的基础上,提出了多分支池化层的ResNet-50网络并加入 了注意力机制,即 MBPA-ResNet(Multi branch pool layer and attention mechanism),该网络更有效的利用了本文提出的混合多尺度图像方法。本文对提出的方法设计了大量的对比实验。实验结果表明,模型的准确率和F1-score分别从0.742和0.828提升到了 0.878和0.901,充分验证了本文方法的优越性。