免疫层析法是基于抗原抗体特异性反应与色谱薄层层析技术的新型免疫测定方法。其中,纳米金免疫层析检测作为一种常用的侧流免疫层析快速测定方法,具有检测时间短,使用方便,可单人份检测,特异性强和稳定性高等特点,目前已经得到广泛应用。由于技术的限制以及干扰误差的存在,纳米金免疫层析检测在目前应用中大多数仅局限于定性或半定量检测。一方面,采用肉眼判读的方式比较耗费人力,且带有一些主观偏差;另一方面,该检测结果所能提供的信息太少,远不能满足临床需求。因此,本文旨在解决免疫层析试条定量检测中存在的问题,分别从优化试条动态反应模型和基于图像识别技术的定量检测两大方面展开研究,主要工作内容概括如下:(1)考虑到免疫层析测定的动态反应过程中各个生化反应是随着样本液流动到相应区域而发生的,即反应之间往往存在时间间隔,因此本文在非线性状态空间模型中引入延时参数的概念,建立了含延时参数的试条动态生化反应模型。同时,为了实现辨识改进模型中的未知延时参数,本文提出一种新型跳变时滞粒子群算法,根据进化因子和马尔科夫链自适应地调整算法中速度更新公式的模式。该算法丰富了粒子之间的交互信息,能够有效防止粒子早熟,并成功实现了优化模型中未知延时参数的辨识,从而为设计与优化定量试条提供理论依据。(2)针对免疫层析检测系统自动化、便捷化和智能化的应用需求,本文创新性地提出一种基于深度学习的免疫层析试条图像识别及定量检测方法。根据免疫层析试条的图像特点与应用需求,本文首先提取出包含检测线和质控线的感兴趣(ROI)区域,选取灰度特征、距离特征和差异特征组成样本输入特征向量,建立了基于深信度网络(DBN)的图像识别模型。为了对图像识别的结果进行定量分析,本文选取相对积分光密度值(ROID)作为特征参量,曲线拟合结果显示RIOD与待测物浓度呈高度相关的线性关系。(3)鉴于免疫层析试条图像自身的复杂性以及定量检测系统的精密性,本文提出一种新型粒子滤波算法(DBN-PF)以进一步提升深度学习图像识别性能。本文将目标区域的轮廓点定义为状态变量,从状态估计的角度考虑图像识别问题,从而建立了试条图像识别的非线性状态空间模型。针对传统粒子滤波(PF)中粒子退化问题,DBN-PF算法中采用一种新的建议性分布,即由DBN网络提供初始识别结果,PSO算法将粒子转移到高似然区域。仿真结果表明DBN-PF方法有效提升了 DBN算法的性能,并且在试条定量检测上取得了更高的精度。