湿片下白带涂片显微图像中的念珠菌与白细胞是妇科炎症诊断中的两项重要指标,临床诊断中妇科炎症发病率高且白带涂片的阅片工作过分依赖于医师的肉眼观测,使得诊断效率极为低下;计算机模式识别技术在生物医学中的应用,使得医学显微图像中目标智能检测识别变为可能,然而湿片下白带显微图像呈现出目标与背景对比不明显、纹理差异小、弱边缘、颜色整体上单一灰色等特性,使得湿片下白带显微图像上的白细胞与念珠菌的智能检测极为困难,相关方面的研究也处于空白。针对上述白带显微图像呈现出较难检测特点,本文围绕着白带显微图像目标的智能检测识别,研究了湿片下白带显微图像中白细胞与念珠菌分割、特征提取、分类识别等技术,取得了较为丰富的研究成果。本文具体的工作内容如下:1、探究白带显微图像ROI(Region Of Interest,ROI)的表现形式、背景与ROI区域的差异性,得出目前最适的目标分割方法:应用形态学开算子进行首轮去噪,在大半径范围内,研究应用Hough圆检测对白细胞直接进行检测识别,获得了较高的检测识别率,并且在大量实验基础上给出了最佳的Hough圆检测半径范围。2、湿片下白带显微图像中念珠菌呈现出卵圆以及“8”字形、整体图像前景呈现出颗粒的特性,应用小半径范围下的Hough圆检测,可以以100%覆盖率定位到念珠菌,并通过实验给出此时最佳的Hough圆检测的半径范围,但因受气泡、杂质等影响,此时检测的目标包含较多非念珠菌区域,为了识别出念珠菌与噪声,在此之下首次建立了念珠菌的模式学习库(含噪声)。3、在上一步工作的基础上,基于CNN-SVM模型,对小半径范围下Hough圆检测得到念珠菌与非念珠菌等噪声区域应用深度卷积网络(Convolutional Neural Network,简称CNN)进行特征提取,应用支持向量机(Support Vector Machine,SVM)对特征进行分类,研究了CNN-SVM模型在念珠菌模式库上的具体实施;给出了适合于当前念珠菌图像特征提取的CNN网络结构、CNN-SVM模型的参数训练方法。4、在前面研究的基础上,设计了白细胞与念珠菌检测系统,实现了白细胞与念珠菌的智能检测评估,最后给出了CNN-SVM分类模型在念珠菌上的实验评估结果。本文研究价值在于实现了由念珠菌引起的相关妇科疾病的智能辅助检测,成果可直接应用于湿片下白带显微图像智能检测设备软件系统的研发,将产生较大实际应用价值。