血液中白细胞含量的百分比往往可以诊断出某种类型的疾病,因此,研究白细胞在血液中的含量对医生的临床指导具有很大的辅助作用。但同时,各类白细胞之间的的形态特征区分度不明显,通过对外周血细胞中的五类白细胞的各项指标进行统计,有助于快速判断患者的疾病类型,帮助医生采取有效的措施对患者进行诊断。因此,医院大多数采用人工镜检的形式提高检测精度。但这种方法存在效率低,耗费人力、物力大,同时需要凭借医生的从业经验。不利于实现患者的快速诊断。伴随着深度学习领域的神经网络的急速进步,图像的目标检测任务以及目标识别任务有了长足的进步。计算机硬件技术的更新迭代以及CCD成像技术的进步,都使得医学图像得以保存,有利于深度学习技术与医疗领域的结合,对医学图像展开研究。因此,本文探讨深度学习检测和识别算法对白细胞图像的检测和识别研究,并在自组建的数据集以及ALL-IDB公开数据集上进行验证。基于一阶段深度学习检测框架YOLO网络,本文提出一种交融注意力机制的CBAM-YOLO白细胞检测算法,针对白细胞图像只做检测工作。首先,经过改良的K-Means算法对样本锚框来聚类,对CBAM-YOLO的每一层输出聚类三种不同尺寸的先验;然后,经过在网络模型残差构造中参入空间注意力机制和通道注意力机制来提高网络模型对白细胞位置的定位能力。最后,特征图经过特征金字塔结构对目标坐标位置进行判断输出。这样,本文的模型算法对白细胞的定位能力大大提升,同时保证系统的检测推理时间。针对白细胞的类别识别领域,本文应用多个网络结构对五类白细胞进行识别验证,首先对的数据进行分析,通过平移、旋转、对比度、镜像等增强操作对数据集进行扩充;其次针对网络模型输入分辨率固定的情况,本文引用全局平均池化操作使得网络模型能够接受不同尺寸的输入,并探讨了白细胞图像在不同的尺寸下的神经网络模型的不同拟合才能。最后,针对网络模型的可能出现过拟合结果,本文应用平滑标签的Loss函数,同时采取Dropout战略对神经网络模型进行惩处,防止学习率陷入鞍点,或者模型出现过拟合的情况。本文最后采用残差网络模型利用迁移学习策略对白细胞进行识别训练调优,最终来完成对五类白细胞的自动识别。本文经过深度学习检测网络和识别网络分开对白细胞进行检测和识别,证实了深度学习技术与医疗图像结合的可行性,同时将二者算法通过硬件设备整合成独立的系统,在很大的程度上的提高了白细胞诊断的速度,降低了医疗设备的成本,减少了医生的负担。