细胞增殖水平无论是在临床的辅助诊断中还是在生物医学实验中都是十分重要的指标。据研究,细胞增殖水平可以反映出很多病理信息,通过细胞增殖水平分析,可以掌握患者细胞活性状态及异常状态,进而对病患的康复过程或病情发展趋势做出相应判断,为医生的诊断提供帮助。判断细胞增殖水平往往需要计算增殖细胞核的数目和比例,由于医生经验的不同以及传统检测方案或软件的缺陷,当细胞核数量多、分布密集时,就会出现疲劳、检测时间长、准确率下降等问题。因此,从细胞图样中自动检测增殖细胞核以及自动计数,将大量节省医生人工判断的时间,提高检测准确率。在这一点上,本文提出一种基于深度学习的方法,对数量多且分布密集的细胞核进行自动分类并统计各类总数,并与当下医院所使用的主流方法进行对比,有效解决了人工以及半人工检测时间长,准确率低等问题。本文主要有以下研究内容:1.数据采集。采用小鼠的肝脏细胞作为本次研究的数据来源,对细胞采用免疫组化染色法（IHC）将增殖细胞核染色,未增殖细胞核不染色,然后Leica DM3000系统采集图片。2.数据标注。使用LabelImg对上述图片数据进行标注,生成机器可读的XML文件。3.数据增强。使用数据增强算法对数据进行平移、裁切等操作扩充我们的数据集。4.模型训练。使用RetinaNet模型,分别得出在ResNet、VGG16等不同算法下的多个模型,验证不同算法的优劣,评估模型准确率等指标。5.对比实验。使用当下医院主流方法对同一批数据进行处理,得出结果,与我们的方法对比。6.软件打包。考虑到本研究的应用价值,为模型设计可操作UI界面,使不具相关算法知识的人员也可以简单地使用我们的模型。本文得出的模型,实现了增殖细胞核自动分类和计数,在检测精度上,大幅领先医院目前的主流方法。在检测时间上,我们的模型可以在秒级下完成人工下30min的检测任务。实验证明,该方案可以有效帮助医生评估细胞增殖水平,从而进行快速诊断。