血常规作为医学检验科最常规的项目之一,对诊断疾病有着至关重要的作用。医生实际检验时,多数采用人工镜检法和仪器计数法,然而这种方法缺乏效率。随着图像处理技术的发展,越来越多的学者研究基于图像处理的血细胞检测方法,但此类方法特征提取的过程比较烦琐,复杂程度高,已经不能够满足实际的需要。近年来,深度学习逐步成为学者们热烈研究的热点,拥有大数据的互联网公司争相投入大量资源研发深度学习技术。本文基于深度学习的血细胞检测问题进行了深入的研究,主要研究内容如下:（1）对传统的血细胞计数方法进行研究,包括人工计数法、仪器计数法和基于图像处理的血细胞的计数法。构建了血细胞数据库。包括手动获取血样并对其染色,采集细胞在显微镜下的图像并且对其打标签。（2）基于深度学习的血细胞检测算法的研究。研究了深度学习的基础理论,包含卷积神经网络结构,训练方法以及涉及到的参数设置等。将不同实时性检测神经网络模型应用到血细胞检测上,即基于SSD（Single Shot Multi Box Detector）的血细胞检测算法、基于Reina Net的血细胞检测算法和基于YOLO＿v3（You Only Look Once＿v3）的血细胞检测算法。最终基于SSD的红细胞检测算法准确率达到87%,检测时间为3.23s。基于Reina Net的白细胞检测准确率可达到83%,检测时间为2.73s。基于Retina Net的红细胞检测平均准确率为93%,时间为2.95s。基于YOLO＿v3的血小板检测准确率算法可达到84%,检测时间为2.85s。基于YOLO＿v3的红细胞检测准确率为93%,时间为3.56s。基于YOLO＿v3白细胞检测准确率为89%,时间为2.84s。根据不同模型在血细胞检测的实用性,获得每个模型适用的检测细胞的类型。由实验结果可看到SSD可用于检测红细胞,Retina Net可用于检测红细胞和白细胞。YOLO＿v3可用于检测三种血细胞。（3）在（2）基础上,提出改进的SSD的血细胞检测方法,使得白细胞检测的准确率提升了1.5%,血小板检测的准确率提升了19.5%。提出改进的YOLO＿v3的血细胞检测算法,提升检测效果,改进思路有三种,即改进先验框的方案使得血小板检测的准确率提升了2.38%,改进的网络模型使得血小板检测的准确率提升了1.8%,改进的匹配参数使得血小板检测的准确率提升了2.05%、使得红细胞检测的准确率提升了0.39%。三种思路的叠加的另外两种方案也分别使得红细胞和血小板检测的准确率有所提升。最终获得针对三种血细胞的最佳检测模型,即基于YOLO＿v3的改进匹配参数方法的红细胞检测方法,其平均准确率为93.5%,检测时间为2.72s。基于YOLO＿v3的白细胞检测方法,其平均准确率为88.69%,检测时间为2.85s。基于YOLO＿v3的改进先验框和匹配参数方法的血小板检测方法,其平均准确率为87.31%,检测时间为4.07s。由实验结果可看到本文研究的深度学习的方法可实现实时性地准确地检测血细胞。相比仪器计数法和人工计数方法,论文采用的方法简化操作步骤、节约时间和实验器材成本。