骨髓红系细胞是人体内最重要的血细胞之一,人体内不同成熟阶段的骨髓红系细胞的数量比是衡量人体健康状态的关键指标,同时也是预防贫血等恶性血液疾病的决定性依据,为患者的治疗与康复提供了重要的参考标准。现阶段,骨髓红系细胞的检测和分类计数很大程度上依赖于传统人工检测的方法,该方法不仅需要投入巨大的人力、物力、财力,在检测与计数过程中还存在医生的主观差异,从而使得检测计数结果出现偏差。然而利用深度学习算法高效地实现骨髓红系细胞的自动化检测、细粒度分类计数,可以解决上述人工检测中存在的问题,并且能够提升红系细胞检测与分类的效率和精度。在现阶段的骨髓细胞检测和分类计数的方法研究中,主要关注的是白细胞检测与分类计数,对于骨髓红系细胞的自动化检测及细粒度分类研究相对较少。相对于不同种类的白细胞,不同成熟阶段的骨髓红系细胞分布更加密集,形态差异更小,使得红系细胞的检测和细粒度分类任务更具难度和挑战。本文与吉林大学第二医院合作,在收集和构建骨髓红系细胞数据的基础上,提出了用于红系细胞检测和细粒度分类的深度学习算法,其主要内容如下:1.为了全面分析骨髓红系细胞的特点,本文收集并构建了较大规模的骨髓红系细胞数据集,该数据集主要包含4种类型的红系细胞,共239张全域血细胞分布图像和5,666张单个细胞图像,是现阶段数据规模较大,数据种类较丰富的红系细胞数据集。2.针对于红系细胞分布较为密集,相互遮挡等问题,本文提出了基于RetinaNet模型的单阶段红系细胞检测定位方案,该方案不仅具有较高的检测效率,还能够实现四类红系细胞的精准检测和定位。3.针对骨髓红系细胞的细粒度分类问题,本文提取了红系细胞的mask图像,并提出了基于细胞形状的注意力模块,该模块不仅可以高效地增强和提取红系细胞形状特征,还能灵活地与其他经典骨架网络配合使用,进而改善红系细胞的细粒度分类效果。实验表明:本文提出的单阶段红系细胞检测方案的检测精度达到90.70%,相比于血液专家人工检测提高0.6%,并且单张图像的平均检测时间为1.2s,相比于人工检测效率提高近60倍。此外,本文设计的形状注意力模块能够很好的增强红系细胞形状特征,改善红系细胞细粒度分类效果,在测试数据上应用该模块后,多个分类指标均得到了改善（Accuracy:+0.37%,Precision:+1.79%,Recall:+0.70%,F1-Score:+0.78%）。本文在自建红系细胞数据集和其他开源骨髓细胞数据集上进行了全面的定性与定量实验,实验结果表明本文可以较高效地辅助医生完成红系细胞的检测与分类计数,减少主观因素的影响,具有一定的医疗应用价值。