在生物学和医学领域,细胞计数是为了确定给定体积的样品中细胞的数量。换句话说,它是样品中细胞浓度的量度。细胞计数是医学诊断和治疗以及生物学研究中非常重要的过程,被全世界的科学家和医学从业人员使用。临床和医院使用细胞计数来确定患者的健康状况,比如全血细胞计数(FBC)这项医学检查,涉及对患者血液样本中的细胞进行计数,这项检查将会通过某些细胞类型的数量来得到这些细胞的浓度,而细胞浓度信息可以反映患者的身体情况,同时细胞计数对于发现脑区之间的关联也有重要作用,可以通过注射荧光剂得到的荧光细胞数量来说明该脑区与注射位点脑区的相关性。总之细胞计数可以反映人体健康信息以及脑区之间的关联等作用,但人工细胞计数耗时耗力,需要一种自动化的手段来帮助人类进行细胞计数。本论文从自动化细胞计数的研究角度,提出了一个自动化细胞计数的模型框架,能够对多种情况的细胞进行自动化计数工作。该模型框架分为两个阶段:召回阶段、排序阶段,召回阶段的主要目的是滤除背景噪声,保留真实细胞,去除背景噪声的干扰,同时具备标签更新功能,该阶段采用的分裂网络,在局部特征提取网络中加入了由RNN提取的方向特征模块,提高了分类性能;排序阶段是进一步对召回的输出进行更加精密的细胞计数,该阶段通过拟合细胞密度图来得到视野中细胞的总数量,模型由编码、解码、像素级融合阶段组成。在编码和解码阶段为了更好的得到语义和空间细节信息,引入了语义增强模块以及对级联信息的特征选择模块,更好的保持语义和细节信息。在最后的密度图融合阶段剔除单点像素注意力融合机制,利用注意力机制对每个像素学习一个融合权重,来得到最终的融合密度图。通过我们提出的模型框架,可以快速、准确的预测细胞的数量,为细胞计数应用方向以及科研人员带来了极大的方便。