酵母菌出芽率是衡量酵母菌活性的重要指标，利用显微镜可直观地判断酵母菌的出芽情况。本文则提出了基于流式技术的衍射图像机器学习识别酵母菌发芽的新方法，在原有的偏振衍射成像流式系统基础上，研制了新型图像拾取系统，使之同时获取酵母菌的显微图像与衍射图像。
　　本课题的主要工作包括：
　　1)光学系统设计：通过采用基于物镜和筒镜组合的无限远显微光路改进系统图像采集功能，使其在采集细胞衍射图像的基础上同时采集细胞的显微图像。最终显微像的有效放大倍数约80X。
　　2)酵母菌图像采集及预处理：使用市售干酵母制备酵母菌溶液，用流式细胞仪进行检测，同时获取酵母菌的显微图像与衍射图像，并对图像做预筛选去除过暗与过亮的图像对。
　　3)酵母菌图像的人工标记：在对酵母菌图像做有监督机器学习分类前，以酵母菌的显微图像为标准对酵母菌的衍射图像标定标签，将采集到的酵母菌图像分为：出芽、未出芽和其他(三个及三个以上酵母菌结团)三类数据。
　　4)酵母菌图像机器学习分类方法对比研究：使用两种方法对酵母菌图像做分类研究，第一种为基于灰度共生矩阵(GLCM)的特征提取法，首先将标定好的数据划分为训练集和测试集，提取选取好的GLCM特征参数，使用支持向量机和随机森林两种算法训练模型并用简单交叉验证的方法进行验证。第二种为基于卷积神经网络(CNN)的深度学习方法，使用建立好的含有8个卷积层的模型进行训练并验证模型。结果表明，上述两种方法对衍射图像分类分别实现了96%和95%的高准确度，并且GLCM+SVM(支持向量机)和CNN算法在基于衍射图像的分类准确度显著优于普通显微图像(P＜0.01)。
　　研究结果肯定了衍射成像流式细胞仪对于酵母菌发芽识别的有效性，为衍射成像流式细胞术的进一步应用提供了一个新范例。