近年来基因检测等技术的迅猛发展对生物分子检测技术的精度和速度提出了更高的要求。荧光编码微球是一种性质稳定的生物标志物,已经被广泛应用于核酸序列、蛋白质等生物分子的高通量检测分析中。相比于以悬浮阵列为核心的荧光编码微球分析平台,荧光编码微球图像分析技术具有成本低、流程简单、速度快的特点。为实现高准确度的荧光编码微球图像分析,本文结合深度学习技术在计算机视觉领域表现出的出色能力,对基于深度学习的荧光编码微球图像检测技术进行研究并设计开发了荧光编码微球图像检测原型系统。文中首先对荧光编码微球图像检测原型系统整体架构进行研究,系统根据功能划分为硬件子系统和软件子系统,硬件子系统以Xilinx Spartan-6系列FPGA芯片为核心进行设计,用于实现荧光编码微球图像的采集、编码并通过USB传输至软件子系统;软件子系统接收微球图像数据并实现基于深度学习的荧光编码微球检测算法应用。本文对系统整体架构、工作流程和软硬件子系统的实现方案进行了详细介绍。本文基于Mask R-CNN目标检测网络设计了荧光编码微球图像分析算法,实现了对荧光编码微球定性图像的像素级语义分割,进而完成对应定量图像的统计分析。针对算法训练中有标注真实训练样本过少导致的检测性能不理想问题,提出一种基于循环一致性生成对抗网络的荧光编码微球图像训练集扩展方法,在蓝单色、红蓝双色两种荧光编码微球图像数据集上的实验结果表明使用扩展训练集训练后的网络模型识别准确度达94.17%和95.96%,相比于普通训练集其准确度分别提升了17.9%和10.4%。基于深度学习的荧光编码微球图像检测技术将深度学习技术与FPGA技术相结合,实现了荧光编码微球图像由采集到检测的完整流程,是荧光编码微球技术的创新应用,在实现高准确度生物分子信息检测的同时降低了应用成本并提升检测速度。