白细胞（White Blood Cell,WBC）是血液的重要组成部分,也是人体免疫系统不可或缺的安全卫士。根据不同的功能和形态可以将白细胞分为多种亚类型,这些白细胞群在正常人体内的含量通常都维持在一定的范围,偏高或偏低都是重要的疾病预警信号,因此对人体白细胞进行检测分类是一项极具意义的诊断工作。传统的白细胞分类通常由专业人员借助显微镜实现,这种基于人工的手动分类难以做到无偏估计且繁琐耗时,因此基于模式识别和图像处理的白细胞自动分类技术得到了积极的研究。当前较为流行的白细胞分类技术主要有两种:基于机器学习的特征工程法和基于深度学习的自动特征提取法,前者经常与小型化微流控系统或者细胞分析仪器相结合,通过人工选取特征实现白细胞分类;后者依托于高分辨成像系统,利用神经网络的学习能力自动提取图像特征以区分不同的白细胞。这两种细胞自动分类技术有效避免了人工分类的缺陷且具有良好的性能。然而,它们都需要将采集到的原始细胞图像进行分割预处理,这一过程在很大程度上增加了工作量,当细胞分布密集时尤为繁琐。更重要的是,分割的准确性会严重影响分类的性能,从而难以实现整体分类系统端到端的优化。为了克服上述缺点,本文将基于深度学习的目标检测技术应用到白细胞的分类任务上。这种方法能够在给定图像中同时实现多个目标对象的分类和定位,既保证了图像的完整性又避免了分割操作对结果的影响。本文搭建了Yolov4[1]、Mobile Netv2-SSD[2,3]两种单级检测器以及基于Inceptionv2[4]和Res Net50[5]骨干网的Faster-RCNN[6]两级检测器,在血细胞分类数据集（Blood Cell Classification Datasets,BCCD）上实现了对淋巴细胞、嗜酸性粒细胞、中性粒细胞以及单核细胞的分类,准确率分别到达了96.50%、96.50%、98.00%以及97.27%,检测速度分别达到了59.99FPS、44.72FPS、29.4FPS以及25.24FPS,从而验证了目标检测技术在白细胞分类任务上的可行性。鉴于Yolov4更加优异的性能,本文进一步将该检测器应用到无标记白细胞分类数据集上,通过对数据集的重构和优化实现了对粒细胞、单核细胞和淋巴细胞的分类,准确率达到了91.33%。这种基于目标检测的白细胞分类技术能够在无需进行分割的情况下实现多个白细胞的同时分类,且在保持较高分类精度的条件下快速做出预测,为现场及时诊断（Point-of-care test）提供了有效参考。