红细胞检测和计数是一种以检测血液疾病及其相关病变为目的,为红细胞的分割、分类和跟踪提供支撑,以细胞图像的处理和分析技术为手段的医学临床检验项目,也是医学图像处理研究的重要分支。近年来,随着图像处理技术和机器学习方法的发展,红细胞的检测和计数的方法不断涌现出新的理论和方法。特别是深度学习技术在图像检测、分割和识别等领域不断地取得突破。在这样的背景下,针对当前细胞检测和计数研究的一些问题和挑战,本文以图像处理技术为基础,通过引入深度学习技术和方法,展开了如下研究:1、针对细胞图像中具有细胞粘连重叠度高的问题,提出了一种以高斯核表征单个细胞的反卷积回归网络的红细胞计数方法。不同于传统的基于先分割再计数的方法,这里的反卷积回归网络采用了一种独特的编解码样式的深度神经网络模型,在标签图像的设计中,将原始图像中每一个细胞用一个略小于细胞大小的高斯核来表示,在卷积部分提取图像特征,反卷积部分进行图像尺寸和特征的恢复,从而构建起一种端到端的细胞计数解决方法。2、借鉴Faster R-CNN网络模型在自然图像目标检测使用的策略方法,提出了一种基于Faster R-CNN网络的以细胞图像中的高级特征为决策表征的红细胞检测方法模型。不同于大多数简单依赖区域候选框产生及得分方法的检测模型,针对细胞检测问题,本文构建了一种结合细胞图像高级特征和利用卷积神经网络方法生成区域候选框的替代策略,成功地将用于图像分类的有监督的特征表达用到细胞检测上来。