骨髓是人体重要的造血器官和免疫器官,基于细胞形态学对骨髓血细胞进行分类和统计是临床上对白血病、各种贫血和恶性组织细胞病等多种重大血液疾病诊断的依据,是疾病治疗方案选择的决定性因素。目前,骨髓血细胞的分类计数仍采用传统的人工镜检的方式,存在工作量大、耗费人力、医生专业水平和主观判断对判别结果影响过大等问题。因此,利用人工智能算法从医学图像数据中挖掘出不同骨髓血细胞特征信息进而进行分类识别,为临床医学诊疗和科学问题研究提供更加充分的依据,是医疗大数据的研究热点,同时也是智慧医疗体系中至关重要的一环。现有的血液细胞分类识别方法研究中,主要集中针对外周血有核细胞的分类识别,并未涉及骨髓血有核细胞和相邻生长周期细胞。相邻生长阶段的骨髓血有核细胞间没有明确的分化界限,骨髓血有核细胞密集程度和细胞种类远大于外周血有核细胞,因此骨髓血有核细胞的分类难度较外周血有核细胞分类更具有挑战性。目前,亟需一种针对处于相邻生长阶段的骨髓血有核细胞的分类识别方法。本文针对骨髓血有核细胞中的骨髓粒细胞进行研究,主要研究内容如下:（1）为了解决骨髓粒细胞相邻生长周期难以识别的问题,本文基于投票策略集成四个目标检测网络,提出VOD（Voting Objects Detection）模型,对六类骨髓粒细胞图像进行精准定位和分类。利用合作医院采集的骨髓粒细胞图像数据,选取基于锚框的目标检测网络YOLO v4、SSD和基于关键点的目标检测网络CornerNet、Center Net,在骨髓粒细胞多目标检测数据集上进行训练和实验,并结合实验结果分析,设计VOD模型,该模型集成了每个网络对不同骨髓粒细胞识别的优势,具有更好的识别准确率。（2）为了提升模型分类准确率和降低模型算法复杂度,本文进一步提出CTR（Center Net-TBCRes Net）级联模型,包括定位模块和分类模块两部分。定位模块选取Center Net网络进行细胞定位,得到骨髓粒细胞所在位置的框信息;分类模块采用捆绑块卷积的思想,通过共享卷积核参数,改进了Res Net网络,降低网络参数量,提升网络分类准确率。实验表明:VOD模型将细胞识别的平均准确率从76%提升至78%,实现在密集且相似的骨髓粒细胞数据集中良好的分类识别性能。C-TR级联模型,在骨髓粒细胞数据集上最终测试达到79%的准确率,在相同数据量的情况下,测试图像时间与VOD模型相比节约了27%。本文的研究可以有效的辅助医生完成骨髓粒细胞分类任务,降低专业医生的工作量,提升患者诊断速率,减少人为因素误判的发生,在智慧医疗领域中具有一定的应用价值。