反刍动物是特殊的种群,常见的有牛和羊等草食性动物,它们拥有能够消化纤维性植物资源的器官—瘤胃。瘤胃内存在一个十分复杂的微生物系统,该系统组成成分主要有原生动物（以纤毛虫为主）、厌氧真菌、细菌以及少量的噬菌体,进入瘤胃内的饲料通过这些微生物进行发酵,从而让有机体利用营养物质维持宿主的各项生理活动。瘤胃原虫中纤毛虫是最主要的,纤毛虫个体最大、数量最多。瘤胃纤毛虫的种类和种群数量的变化是反应瘤胃内环境状况的一个指标。当前对瘤胃原虫的种类鉴定是手动完成的,耗时耗力,限制了该领域的相关研究。本文以原虫为研究对象,结合深度学习及相关技术,开展瘤胃原虫显微图像识别的研究。本文主要研究内容及结论如下:（1）本文首次构建了一个瘤胃原虫显微图像数据集,数据集中不同种原虫大小形状各异,共含4科11属17种共2128张图像,数据采集于西北农林科技大学畜牧场萨能奶山羊、荷斯坦-弗里生牛和秦川奶牛的瘤胃内容物。采集的数据样本分布情况表现为不均衡分布。数据集包含未染色、卢代碘液染色、亮绿染色、亚甲蓝染色下的原虫显微图像,通过染色可以凸显部分原虫种类的特征,同时易于原虫与背景的区分。（2）原虫显微图像实例分割模型的比较分析。由于当前针对原虫显微图像识别的研究工作较少,首先要选择合适的深度学习模型。因为利用精确的轮廓分割对原虫进行识别是开展原虫生物量研究的重要步骤,可用于计算原虫面积和形态特征,有助于估算瘤胃内各原虫群落的总体积和生物量,所以本文选择实例分割模型对原虫图像进行识别。通过对比Mask R-CNN,YOLACT,YOLACT++这三种经典实例分割模型在原虫数据集上的实验结果,发现YOLACT实例分割模型在精度和速度上整体优于其他两种模型,同时,Mask R-CNN的分割轮廓较为粗糙。因此,本文选择YOLACT实例分割模型做进一步研究。各模型采用相同的超参数进行实验并对比分析这些模型的实验结果,为本文研究方案提供有力的实验验证。（3）改进的YOLACT原虫实例分割模型,将SE模块集成到骨干网络最浅层以增强特征的表达,并将各层的ReLU激活函数替换为FReLU激活函数,以消除ReLU激活函数的空间不敏感性。结果显示,本文提出的改进YOLACT深度实例分割方法的准确率为89.45%,比原始YOLACT提高了 0.55%,比Mask R-CNN提高了 2.63%。同时,YOLACT检测速度是Mask R-CNN的1.7倍。本文的研究成果能够显著降低原虫显微图像识别的人工成本,为原虫显微图像的精准鉴定提供了一种新的思路与方法。