蛋白质是人类生存必不可少的物质,小到细胞,大到人体的各个器官,都离不开各种各样蛋白质的参与。利用高倍显微镜可以实现人类细胞蛋白质的可视化,这些图像通常用于生物医学研究,帮助人类更深入地理解细胞的复杂性,也为未来人类战胜各种疾病提供了可能性。近年来,一方面高倍显微镜的成像技术趋于成熟,利用高倍显微镜可以大批量地获取细胞的蛋白质图像,形成以人类蛋白质细胞图谱图像数据集为代表的大样本数据集。另一方面,从2012年的AlexNet开始,利用卷积神经网络处理图像问题的算法也进入了高速发展期,模型的分类效果逐年提高,利用大数据方法对人类细胞蛋白质细胞图谱进行分析,探寻数据集中种种可能的规律成为了热门,学者们借此机会使用CNN处理蛋白质问题,尤其是和蛋白质相关的图像问题。过去,蛋白质细胞图像分类集中于单分类模型的讨论,基于一组不同的细胞识别某种蛋白质,每一个分类器仅能识别一种蛋白质。而现实中,单个细胞往往由多种蛋白质构成,蛋白质之间也并不是完全独立,本文希望用多标签学习的方法对人类蛋白质细胞图谱进行建模,基于一组不同的细胞识别其中包含的不同蛋白质,即输出空间包含多个元素,那这样就需要考虑到标签间的关系逻辑和分布特征。本文先是对数据处理所应用到的方法和原理进行解释,包括数据增广、上采样、标准化等方法。其次,本文针对数据集的特点选择了几种CNN结构,从AlxetNet开始,以时间轴的顺序罗列出五种模型结构,在阐述部分囊括了每个模型的产生背景,以及对各个网络模型的特点和优势。之后,本文对多标签学习的定义、模型评估方法、常用方法、存在的问题进行介绍,选择适用于人类蛋白质细胞图谱图像数据集的多标签学习方法。在实践部分,本文利用数据增广、上采样等方法对人类蛋白质细胞图谱图像数据集进行处理,以热图、直方图等形式进行可视化分析,深挖数据集的特点。根据数据集的特点设置损失函数、优化方法及评估指标,并利用调参技巧找到效果较好的学习率、阀值等超参数,最终建立对照实验。本文创新性的针对人类蛋白质细胞图谱图像数据建模,得到的InceptionV3模型有低损失、高性能的特征,比之前的模型效果更优。