外周血白细胞的自动分类识别在血液病、伤口感染、免疫性疾病的鉴别诊断和传染病的疗效评估上发挥着重要作用。目前常用的血细胞分析仪通常利用物理、化学等技术进行分类计数,无法利用显微镜下的细胞形态图像信息提供进一步诊断辅助,而细胞分类的“金标准”是形态学镜检,但是人工镜检进行分类计数费时费力,因此,基于计算机图像分析来提升血涂片镜检的自动化水平有重要意义。近年来,许多工作将半监督学习引入到分类任务中降低对标注数据的依赖,并取得了很好的效果。本文基于半监督学习和深度学习,针对分类中存在的标注数据不足,部分类别分类效果差的问题,研究了基于伪标注的半监督白细胞分类网络和基于级联的半监督白细胞分类方案,并设计了一套显微图像下基于半监督检测的白细胞自动识别方案。本文的主要工作如下:1、由于细胞数据的标注数量不足,本文结合教师-学生模型和伪标注生成方法进行半监督分类,设计了结合基于模型预测的熵阈值过滤和基于标签传播的置信度阈值过滤的伪标注生成方式,改善了采样策略,并且在特征提取网络上增加注意力层,加强模型对细胞区域的关注。经实验验证,在少量标注数据下,基于伪标注的半监督白细胞分类模型能够利用大量无标注数据提升分类精度,降低对标注数据的依赖,而且分类精度超越同标注量的监督模型。2、由于细胞的部分类别相似度大,分类效果差,本文研究了基于级联的半监督白细胞分类网络来进一步提升分类精度,在教师-学生模型上增加基于卷积神经网络的级联分类部分,损失函数上增加级联损失,提高模型在部分类别的分类效果。经过实验,发现模型的分类精度得到提升,其中易混淆的类如嗜碱、淋巴的F1值提升更多。3、从显微图像出发,本文提出基于半监督检测的白细胞自动识别方案。首先通过区域提取网络框出白细胞的位置,得到单个白细胞的图像,然后采用基于级联的半监督分类网络实现细胞分类。本文模型相较端到端的检测算法,召回率和检测速度均得到明显提升,能够更高效地实现白细胞自动识别。