白带检查是妇产科检查中的常规项目,霉菌的指标是白带检查中一个重要的标准,如果白带中霉菌含量超标,则女性极可能患有霉菌性阴道炎。但目前国内多数中小型医院对白带内霉菌的检测还是依靠人工镜检的方式,由于缺乏一个定量的标准,医务人员是根据显微镜下观察物体的大小,形状等特性结合自身多年的经验来对白带中的霉菌进行判别,并根据所观察的霉菌大致数量进行定性的判别。所以人工镜检检测的效果易受到外部条件的影响,造成病情诊断不准确。本文使用白带光电检测仪来获取白带显微图像,结合卷积神经网络,方向梯度直方图算法,主成分分析算法,支持向量机等算法完成对白带显微图像中霉菌的检测识别。本文的主要内容如下:首先,在获取清晰的白带显微图像之后,需要先对图像进行预处理,其中包括图像灰度化,形态学处理,图像分割,初步筛选和整理成训练集等5个步骤。其中图像分割使用了最大类间方差法,初步筛选利用了连通域标记算法。预处理步骤完成后,可以获得训练集。其次,需要使用预处理得到的训练集图像训练生成一个卷积神经网络,也就是对卷积神经网络进行预训练。在获得完备的卷积神经网络之后,对于每一幅图像,对网络每个层次的特征平面进行提取方向梯度特征,所有方向梯度特征可以整合成一个特征向量。用主成分分析算法降低特征向量的维度后,可以获得合适维度的特征向量集。最后把这个特征向量集作为输入给支持向量机训练,可以得到一个用于识别霉菌图像的模型。然后,使用霉菌图像识别模型对500幅含有霉菌的白带显微图像进行识别。这500幅经由人工统计,总共有4792个霉菌。通过本算法,总共准确识别出4533个霉菌,有259个霉菌漏检,同时还存在有206个误检。识别率为94.6%,漏检率为5.4%,误检率为4.3%。最后,使用未加卷积神经网络的算法与本算法进行对比分析。对比结果发现仅基于方向梯度直方图和支持向量机的算法会遗漏很多信息,因为其仅提取了原图像的特征信息,而本文算法同时对卷积神经网络的各个层级的图像进行提取特征。在对相同500幅带有霉菌的图像进行识别的过程中,共有4792个霉菌,准确识别出4059个霉菌,有733个霉菌漏检,同时还存在有575个误检。识别率为84.7%,漏检率为15.3%,误检率为12.0%。本文算法在漏检率和误检率两个方面都有较大提升。本文提出了全自动霉菌识别算法并将其运用于白带常规检测中,这在国内还未见报道。同时,算法对霉菌的识别率达到了94.6%,不仅能满足医院对于白带常规检测中霉菌检测的要求,而且在不同霉菌自动识别方法中有更好的效果。