医药工业关乎国家安全、是涉及国计民生与经济发展的战略性行业。然而,药液中可见异物的准确检测一直是行业内的难题。近些年,计算机视觉检测的快速发展,特别是深度学习在视觉检测上的迅猛发展及成功应用为药液异物运动小目标的检测提供了极大的参考价值,因此论文将研究深度学习的目标检测算法应用于药液异物小目标的检测,并探究其可行性。除此之外,论文以深度学习的目标检测算法为开端,针对药液图像中的随机噪声难以准确排除的问题,提出了一种利用了获取运动目标时空轨迹的聚类算法,并依据轨迹构造计算其特征向量,最终以集成学习分类模型实现对目标轨迹的准确分类。实验结果表明论文提出的多任务分步方法在准确率与时间复杂度上都取得了较好的效果。首先,论文基于目前深度学习领域的典型目标检测算法(Faster R-CNN)对药液数据图像训练并建立了目标检测网络模型,并设计相关的实验探究了在确保准确率不明显降低的前提下如何提高目标检测的召回率,以尽可能减少检测当中的漏检率;此外,针对论文的药液数据集以及Faster R-CNN目标检测算法的特点,从实验结果上分析了检测时是否需要进行分类,并对不同检测方式的准确率进行了测试,从而形成了参数优化及不进行分类检测的Faster R-CNN目标检测算法。实验表明,参数的优化以及不分类的检测方式能够训练出一个准确率更高以及召回率有所提升的目标检测网络模型。然后,为解决前述检测未能完成的分类任务,先利用目标检测算法得到的疑似异物的目标位置信息,为了对单个目标的运动点迹序列进行聚类获取轨迹,论文以k值优化选取的k-means算法获得多类型异物及噪声的轨迹序列;最后,为了完成轨迹分类的任务,构造了轨迹序列的特征向量,并且以统计实验分析了其在区分异物目标与随机噪声方面的有效性。在分类时先行提出了基于轨迹特征向量的决策树分类算法,通过实验来验证了决策树分类算法的有效性及较高的准确率。考虑到决策树分类算法 属于单分类器的分类算法,由于数据本身的分布差异或偏差可能导致有限训练数据得到的决策树的泛化性能不佳,因此考虑以决策树为基学习器,提出基于轨迹特征向量的集成学习分类算法。分别提出了基于特征向量的梯度提升树(Gradient Boosted Decision Trees,GBDT)分类算法以及基于特征向量的随机森林(Random Forest,RF)分类算法,从基学习器的串行与并行上探讨了生成的集成分类模型对轨迹分类的差异。实验表明,并行化的随机森林分类模型与串行序列生成的梯度提升树相比,并行化的集成学习方式更加适合药液数据集基于轨迹特征向量的分类,其精确率达到了 97.62%。在完成分类之后,综合论文的研究内容进行了整体算法的说明,并且在主要的对比指标上将提出的算法与现有的一些药液异物小目标检测算法进行了对比。实验结果表明论文提出的先检测,聚类获取轨迹之后再分类的方法能够有效的应用于药液异物的检测。