近年来,诸如阿尔茨海默症一类的神经性疾病严重的影响了人们的生活,其中阿尔兹海默症的主要病因是由于血脑屏障结构功能的变化。所以针对血脑屏障的主要成分脑微血管内皮细胞的功能及其活性状态的检测对阿尔兹海默症的治疗具有重要意义。由于许多疾病的发病模型均建立在小鼠上面,因此通过利用小鼠脑微血管内皮细胞(bEnd.3)来体外重现阿尔兹海默症的发病机理,对于快速筛选相关的治疗药物具有十分重要的意义。传统的bEnd.3细胞检测需要人为的设计特征,然后通过机器学习分类算法进行分类识别,但是因为采用基于人工设计特征的检测方式无法利用图像的深层次特征而容易被光照变化等因素影响,进而产生误检和漏检的情况。而采用基于深度学习的检测方式可以对提取到的特征进行整合,从而提取更深层次的特征,尤其是在医学领域的图像分类、目标检测等研究中都取得了非常好的成绩。本文以bEnd.3细胞为研究对象,构建了一种基于卷积神经网络的bEnd.3细胞目标检测的神经网络模型,主要内容如下:首先设计了一种基于回归思想的神经网络模型,采用了一种多卷积并联结构。多卷积并联结构同时包含了7×7卷积核和3×3卷积核以及级联跨通道参数池层,其中7×7卷积核使得特征信息具备较强的语义表征能力,3×3卷积核使得特征信息具备较强的几何细节表征能力,多卷积并联结构通过将不同尺度的特征信息进行融合来提升网络模型对小尺寸bEnd.3细胞的检测性能。同时级联跨通道参数池层也降低了网络模型的计算量,提升了网络模型的计算效率。其次在多卷积并联结构基础之上引入了注意力机制,对多卷积并联结构的输出特征图进行全局平均池化操作来获取不同通道的全局特征,再通过门控机制来对不同的特征通道按照重要性大小分配不同的权值,从而增强关键的特征信息,削弱无关的干扰信息,解决了多尺度数据融合所引起的数据冗余的问题。然后对所用到的实验数据集进行了构建,通过带色彩恢复的多尺度视网膜增强算法提升了图像亮度与对比度。其次针对数据集所包含数据量较少的情况,利用空间几何变换来对数据量进行了扩充。最后对数据图像中目标区域进行标注,完成训练图像数据与目标检测区域的对应构建,为接下来的对比实验在数据层面上做好铺垫。实验结果表明,所设计的神经网络模型在经过5000次的迭代训练后损失函数的收敛值较原网络结构下降了0.28,精度值提升至91.2%,平均精度值方面从64.3%提升至70.1%,同时高于传统基于候选区域的目标检测算法的平均精度值,为bEnd.3细胞的检测提供更加科学的判别依据。