随着人们生活水平和健康意识的提高,人体寄生虫疾病得到了较好的抑制。然而我国幅员辽阔,各地发展不平衡,在一些区域食源性寄生虫问题凸显,寄生虫病的防治工作不容乐观。在寄生虫病的防治过程中,重点在于如何快速检测与诊断。目前,常见的寄生虫病检测与诊断方法主要通过采集排泄物,利用显微镜通过人工查看方式来判断,该方法诊断效率不高,并且准确性受人为因素影响较大,如何将现有的图像处理技术和机器学习方法做有效的结合来实现寄生虫病的检测对智慧医疗体系建设有十分重要的意义。随着图像处理技术和人工智能技术的发展,一种基于图像的人体寄生虫病快速检测方法引起了广大相关研究者的重视,但从目前的研究进展来看,依然存在以下几个不足:1)显微医学成像得到的寄生虫虫卵的图像往往是一种带有杂质的弱边界图像,经典的识别算法难以取得理想的识别效果。2)由于多数人体寄生虫疾病在我国不少地区都已经得到了较好的抑制,导致大量样本数据采集相对困难,在样本数据相对缺乏情况下提高识别算法的准确度和效率依然是要解决的问题。为此,本研究引入迁移学习机制给出了一种寄生虫卵识别方法,在小样本的情况下,得到了较好的识别准确度。论文的主要工作如下:（1）针对数据处理和模型识别中的目标定位问题,提出一种融合ORB和CN特征描述子的寄生虫卵定位方法。通过细节增强结构处理,使得目标定位不受光照和敏感噪声等因素的影响,然后根据寄生虫卵图像的特点定义色差分割标准,对图像进行候选区域划分,并使用融合特征描述子对寄生虫卵进行描述,利用特征匹配结果进行精准定位进而实现了在待测图像中对疑似存在寄生虫虫卵区域的快速提取,为后续识别效率的提高提供支持。（2）针对小样本难以训练一个识别精度高、鲁棒性强的寄生虫卵识别模型问题,通过对典型深度学习模型VGG-16、Res Net-18、Goog Le Net的实验分析,提出一种基于迁移学习的Res Net-18-FF的寄生虫卵识别模型,较好的平衡了样本数量与识别准确度之间的关系。在此基础之上,为了进一步克服样本数量不足的问题,引入了一种原样扩容机制,实验表明,这些方法和技术较好的提高了识别准确率。（3）基于上述研究,并结合医院对寄生虫病检测的实际需求,设计并实现了一套基于迁移学习的寄生虫卵识别平台。目前该平台已经在相关医院进行了试用,取得了较好效果。