肾性血尿是由于肾小球基底膜的滤过屏障被破坏而造成的,其中血尿中尿红细胞的数量和形态对该病的诊断有着重要的价值。在传统医学诊断中,医生通过在光学显微镜下观察血尿中异常红细胞的形态,来完成对肾性血尿的临床鉴别,其诊断灵敏度可达80%。但是,由于尿红细胞的形态小且相似,使得仅通过显微镜对尿红细胞进行人工观察和识别不仅既耗时又耗力,而且依赖于病理医生的专业水平,同时还存在着漏检和误检的问题。为了辅助医生快速且准确的做出判断,研究人员已经将机器学习和深度学习方法应用于医疗领域,如大脑CT图像和肺图像的肿瘤检测以及细胞识别等,但在尿红细胞目标检测方面,还没有做到对多种异常尿红细胞的识别和分类。针对上述问题,本文提出了一种级联Faster R-CNN用于识别图片中的尿红细胞,并将其分为五类尿红细胞:正常、异形、环形、靶形和芽孢。本文首先基于目镜10倍和物镜40倍可见光显微镜拍摄尿红细胞图片,通过框级标注构建了原始尿红细胞数据集。由于该数据集中异常类数据特别是靶形和芽孢的图片较少,故而本文提出了一种新的多目标背景融合数据增强方法,并结合传统数据增强方法,解决了原始分类数据集不平衡的问题。该方法对原始数据集进行随机裁剪,将裁剪得到的尿红细胞图层变暗并随机粘贴至其它背景,利用高斯模糊算法对尿红细胞边缘的5个像素进行虚化起到渐变的作用,从而达到自然衔接的效果,使其更好地融入背景。最终形成5237张尿红细胞图片,共包含17832个标签,其中每类细胞标签数据量平衡,有效避免了医学小样本数量少带来的数据过拟合问题。最后,基于Faster R-CNN模型提出了一种新的级联Faster R-CNN模型。该模型将Faster R-CNN最后的单个“池化全连接”模块设计为逐个Io U阈值递增的“池化全连接”模块组合。同时,利用上一个“池化全连接”模块输出的结果作为训练下一个“池化全连接”模块的输入,针对原Faster R-CNN存在的漏检问题有了较大改进,提高了检测准确度。本文研究了不同级联模块Faster R-CNN模型在尿红细胞检测方面的有效性,包括单个“池化全连接”模块（即Faster R-CNN模型）、两级级联“池化全连接”模块和三级级联“池化全连接”模块的Faster R-CNN模型。实验表明,三级级联的模型平均召回率可达97.75%,比单个模块召回率提高1.85%,MAP可达96.98%,比单个模块MAP提高2.26%。该方法有助于医生更快速且精准地识别和判断尿红细胞的类型,为肾性血尿研究提供了参考价值。