疫苗接种在预防流感中起着重要的作用,相较于化学药物是更经济、有效的防控手段。疫苗制备中需要对蛋胚的质量与成活性进行检测,剔除活性低和损坏的蛋胚,避免疫苗在制备中受到损坏蛋胚的污染,降低疫苗的质量。随着图像识别技术的发展,传统的人工检测显现出一定的弊端,毒株蛋胚的成活性检测和机器视觉相结合的研究逐渐增多。本文以孵化期不同形态的毒株蛋胚图像为研究对象,分别从传统图像识别方法和基于卷积神经网络的方法对蛋胚图像进行识别,主要内容包括:（1）数据集的准备。对采集到的毒株蛋胚图像进行筛选,保留图像中出现蛋胚的样本。针对样本数量不足和类别不平衡的问题,采用翻转、旋转、色彩抖动的数据增强的方式对样本数量进行扩增,按比例划分训练集和测试集。（2）健活胚和失活胚的区别在于感兴趣区域是否含有丰富的血管纹路。本文在传统图像识别方法研究中,基于匹配滤波对图像进行分割,引入血管的骨架曲率特征。提取骨架曲率和面积占比描述形状特征,与基于灰度共生矩阵的纹理特征进行融合,并探究不同融合特征在蛋胚图像测试集的识别准确率。实验证明,基于融合特征的方法相比其它单一特征的识别准确率有所提升,其中比仅使用形状特征、纹理特征的平均准确率分别提高了 2.0%、11.33%,且失活样本的准确率提高了 3%。（3）针对基于卷积神经网络的毒株蛋胚图像二分类和多分类方法进行研究,对比了CaffeNet、VGG-16两种模型的实验结果,采用更适用于小数据集训练的网络模型CaffeNet进一步研究。对网络中出现的过拟合现象和模型泛化能力下降的问题,以数据增强为辅助方法,在模型训练中引入迁移微调策略,在本文数据集上提升网络的性能。不管是对图像的二类识别还是五类识别,使用微调CaffeNet模型以及图像增强后使用微调CaffeNet模型,测试集准确率都得到提高,二类蛋胚与五类蛋胚的识别精度分别达到了 98.65%、94.0%。