人的粪便与人体肠胃功能的健康状况息息相关。对粪便的性状和颜色进行初步的分类可以诊断人们的健康状况,因此粪便的自动识别是当前智能马桶的发展方向。由于粪便图像中内容复杂,难以识别,本文提出了Stool Net卷积神经网络来解决当前的挑战。该方法主要是利用计算机视觉来替代人工对粪便性状和颜色进行自动识别,以此来减轻用户的负担,并且提供给医生更加准确的粪便检测结果,对预防肠胃功能疾病以及由食物引发的慢性消化道疾病具有重要意义。本文构建了人体粪便图像数据集,该数据集中的图像由匿名志愿者提供,并且由专业医生对图像中粪便的性状和颜色进行标注。本文主要是分别研究对比了基于传统图像特征和基于深度学习的粪便性状自动识别技术、基于图像彩色空间和基于深度学习的粪便颜色自动识别技术。基于传统图像特征的技术主要结合传统图像特征提取器和分类器结合的方式来对粪便性状进行识别;基于图像彩色空间的技术主要是利用了图像的RGB、HSV和LAB颜色空间并结合阈值判定的方式来对粪便颜色进行识别;而基于深度学习的技术是引入了迁移学习来训练微调的卷积神经网络分别完成了对粪便形状和颜色的自动识别。实验结果表明基于深度学习的方法在粪便性状和颜色识别任务上都取得了更好的结果。此外,本文对传统的卷积神经网络进行了改进,提出一种共享卷积层的多分支的卷积神经网络结构,使其在最后一个卷积层之后具有两个分支连接到两个输出,分别用于粪便性状和颜色的多任务分类。通过共享卷积层结构的方式,以避免粪便图像特征的重复计算。此外,本文还提出基于Res Net18结合Inception E卷积块改进的Stool Net,通过在粪便颜色识别分支引入Inception E卷积块来增加网络的深度和宽度,以此提高模型的性能。在进行实验时,对收集1007张粪便图像,按照60%,20%,20%的比例随机抽取来划分训练、验证、测试数据集,利用Res Net18在Image Net上的预训练模型,使用迁移学习的方法来训练本文提出卷积神经网络。最终,本文提出的模型在202张的测试集上,颜色识别的曲线下面积（Area Under Curve,AUC）达到了0.998,形状识别的准确率达到93.6%,macro F1为92.8%。与其他研究的粪便性状三分类的方法相比,本文的模型不仅在真实样本上的测试结果更好,并且在基于布里斯托尔大便分类准则对粪便性状进行四分类的基础上,增加了粪便颜色的识别功能。