雨生红球藻作为一种具有高价值的淡水单细胞绿藻,是虾青素的“自然生产商”,其生长状态易受到周围环境的影响。藻细胞对生长环境要求较高,其中光照强度、环境温度、藻液酸碱度是主要且关键的环境因素,因此寻找藻细胞的适宜培养条件也是目前微藻领域的研究热点。本论文围绕雨生红球藻的产业化、智能化生产展开研究,旨在提高雨生红球藻生长速率和虾青素积累的效率。从培养雨生红球藻的整体流程、制造工艺、培养设备出发,逐步研究,为推进雨生红球藻规模化的生产制造奠定了基础。因雨生红球藻的生长周期较长,并且生长状况呈现出非线性趋势,因此为预测出某环境参数下藻细胞未来生长状况,需采用具有强大函数拟合能力的智能算法。通过光生物反应器等培养装置实时监控环境参数,每天定时观测藻细胞状态并采集细胞半径、细胞个数、细胞图像,建立雨生红球藻生长状态预测模型并利用图像处理技术测量细胞半径。本文首先简单介绍了虾青素结构、功能以及主要来源,对雨生红球藻细胞增殖阶段和虾青素积累阶段不同的细胞特征进行阐述,并且介绍了雨生红球藻的培养方法、藻细胞生长状况预测,细胞半径测量的发展现状。为了更好地培养雨生红球藻,实验室内设计多组对比实验以探究出藻细胞生长和积累虾青素更适宜的环境条件。接着,本文对雨生红球藻的对比实验方案、实验设备与实验过程进行了详细介绍,并总结得出适宜藻细胞积累生物量及虾青素的环境参数（光照强度、温度、pH值）,通过光生物反应器实现控制,为藻细胞提供更好的生长环境。为观测藻细胞生长状态,每天定时采集相应数据,本文详细阐述了藻细胞数据采集方式,将细胞增殖阶段采集到的藻细胞个数和细胞半径作为后续模型的数据集。在建立雨生红球藻生长状况预测模型过程中,为消除数据采集过程中出现的异常数据,对数据进行异常值修正和平滑处理后,分别采用灰色GM（1,1）模型、ARIMA模型和BP神经网络对雨生红球藻未来生长状况进行预测,并且将三种模型的预测结果进行综合分析。最终发现:相比于灰色预测模型,ARIMA模型对于藻细胞半径和细胞个数的预测效果更好,精度更高;而BP神经网络预测模型可以预测藻细胞生长趋势且预测效果较好。最后,为了解决人工测量藻细胞数据,工作量较大的问题,通过MATLAB软件,先对藻细胞图像进行预处理并进行图像分割,最终形成单一细胞图像数据集,再分别利用质心法、最小二乘法及垂线法求出雨生红球藻细胞半径并进行对比分析,总结得出利用垂线法计算藻细胞半径准确率更高,可实现藻细胞的快速测量。