赤潮日益成为危害海洋生态环境和人类生产生活的自然灾害。近年我国沿海地区赤潮频发,规模亦呈增长趋势。监控和预测赤潮爆发并及时采取防治措施,利于保护环境,保证渔业生产。海水中藻类细胞的种类和浓度,是预测赤潮爆发的关键信息。传统监测手段是用肉眼通过显微镜观察海水样本,人工分类和计数。这种方法不仅效率低下,并且要求操作人员具有专业知识,否则精度不能保证。将流式细胞技术与数字图像处理、分类识别算法相结合研究开发的赤潮实时监控系统,可以迅速检测出海水样本中藻类的类别和数量信息,已成为预测赤潮灾害的重要科研工具。　　 本文对基于流式细胞技术获取的赤潮藻类图像进行分类识别技术研究。针对海水样本中藻类类别的多样性和藻类同类别样本的分布特点,采用合适的分类算法,处理藻类图像的分类识别问题,统计藻类样本的数量,获得预测赤潮的信息依据。主要研究内容包括：⑴研究支持向量机和半监督模糊C均值聚类这两种传统的分类算法,提出一种新的SVM-SNP-SFCM算法,结合两大传统分类器的特点,对支持向量机做出改进,更好的解决藻类图像的多类分类问题。⑵针对赤潮爆发时某单一藻类数量激增的特点,提出一种融合了主观贝叶斯和SVM-SNP的分类算法,利用序列图像包含的先验知识,对非均匀的藻类样本监测,能够更贴近真实情况的反映赤潮优势种在藻类种群中的分布密度。⑶针对海水样本中含有杂质和未知藻类的特点,研究拒识模式分类,提出一种包含拒识判别的分类算法,将一类支持向量机oc-SVM构成的拒识层加入分类器,对海水样本中的杂质和未知藻类实现拒识判别,保证最终分类结果的正确有效。