图像识别,作为模式识别领域中一个重要的分支,在计算机视觉领域中有着广泛的应用。自2012年至今,基于深度学习尤其是卷积神经网络的图像识别方法取得了多项重大突破,各类模型如雨后春笋层出不穷,图像识别技术的各类应用也是应接不暇,比如人脸识别、指纹识别、交通违章拍照等。图像识别技术的好坏关键在于识别的正确率和检测速度,这也直接关系到图像识别技术在现实生活中的实用性和可行性。深度学习算法相比于其他的传统识别方法,可以提取更深层次的图像特征。在海量数据的支持下,深度学习算法学习到的模型表达能力更强,也更加有效。本文主要将深度学习算法和图像识别技术相结合,应用到癌症细胞检测中,用以对细胞图像进行病理分析。主要工作有:首先,改进AlexNet网络模型,添加特征归一化层,利用一系列数据预处理和模型训练的方法,使得网络训练更加方便和稳定,有效地提高了算法的识别准确率。第二,对卷积神经网络模型进行了网络压缩。通过剪枝和再训练,使得模型在保证检测准确度的基础上,模型规模缩小为原来的13%,同时检测速度提升至为3倍,有效地提高了模型的实用性;并且,比较了不同的剪枝比例对模型性能的影响,从而找到实验中最佳的剪枝和压缩比例。第三,提出了一种改进物体检测模型SSD(Single Shot MultiBox Detector)的方法。在典型SSD模型中添加了级联的反卷积层,构建了 5个新的特征层,从而增加了每个候选框的特征丰富度和感受野大小,有效地提高了物体检测准确率。论文主要的创新点和贡献是:提出了改进的AlexNet压缩网络,并将该模型应用到癌症细胞检测的任务中,提高了检测准确率,减小了模型规模,提高了检测速度和效率,非常具有实用性;最后针对物体检测模型SSD,添加了反卷积层,构建了新的特征层,有效地提高了物体检测准确率。