伴随计算机技术的迅速发展,深度学习取得了巨大突破,在医学图像识别领域得到了广泛的运用。本文研究的医学病例为弥漫性轴索损伤,使用的数据集图像为老鼠或者海马脑干切片显微图像。研究目的是通过深度学习的方法检测切片显微图像中收缩球的数量与位置,来判断患病情况。本次研究的关键算法为Faster RCNN目标检测算法。Faster RCNN由特征提取网络,区域生成网络,区域池化网络,以及全连接网络组成;具有检测速度快,准确率高,训练简单等优点。本次实验的数据集为切片显微图像,该数据集具有检测目标小,样本少,分辨率高的特点,而原始的数据集为pascal＿voc的数据集,该数据集的特点为检测目标大,样本多,分辨率低。由于存在数据集的差异以及提高检测精度与速度的要求,本文对Faster RCNN的网络结构进行了优化,同时也对超参数进行了个性化设置。原算法网络结构的不足如下:以VGG16作为特征提取层,对显微图像特征提取能力不够,而且训练权值多,会造成训练速度慢,不易训练;区域生成网络（RPN）会随机选取目标区域（Rois）作为训练样本,这会一定程度上造成训练效率不高。本文对网络结构的优化为:采用提取特征能力更强的深度残差网络（Res Net50）来代替原算法的VGG16卷积神经网络,Res Net50对图片的特征提取效果更好,而且训练的权值较少,易于训练;采用在线难例挖掘算法来改善RPN网络生成目标区域的方式,挖掘出样本中的难例,能让模型得到更充分的训练,从而提高检测精度。另外,由于原算法中超参数是针对pascal＿voc数据集进行设置的,不适合显微图像数据集。因此本文对训练过程、测试过程、损失函数和anchor生成四个方面的超参数进行了个性化设置,来提高检测精度与速度。在本次实验中,原算法在自己制作的显微图像数据集上模型的准确率为90.62%,而优化后算法模型的准确率为94.73%,准确率有了4%左右的提升,而且在测试速度方面也有0.1s左右的提升。