随着人们对保护生态环境愈发重视,水中微生物失衡造成水生态污染的现象也更加普遍,微生物识别对于水质检测及污水处理领域具有重要意义。传统微生物识别方法效率低下,成本高昂,需要大型仪器、人工干预。针对上述问题,本文设计了基于卷积神经网络的微生物数字全息显微图像分类系统。本文使用数字全息显微镜采集微生物图像,引入卷积神经网络进行分类计算,利用Tengine架构在国产嵌入式平台RK3399上部署精简的Goog Le Net-Lite神经网络算法,实现对微生物全息图像数据集的分类检测。对比传统方法,本系统在识别精度与速度上具有优势,并具有便携化、低成本的特点,满足人们的需求。论文首先分析了全息显微原理、全息成像光路和全息模拟算法等基础理论知识,并介绍了卷积神经网络算法和嵌入式相关原理技术。然后对系统的硬件平台、软件架构和卷积神经网络分类算法进行了设计。接着,本文设计了系统硬件平台,并实现了嵌入式平台下微生物全息图像的卷积神经网络分类算法。最后对系统整体运行指标进行了测试与分析。本文的主要工作和成果如下:(1)全息显微图像分类系统设计:首先介绍全息显微图像分类系统基本工作流程。然后设计系统硬件平台,包括系统结构、光路与图像采集、计算处理核心及用户信息交互四个方面。接着设计系统软件架构,说明其软件运行规则。最后对系统核心算法即卷积神经网络分类算法进行了分析,其中包括数据集的建立、光学显微图像全息化计算、经典网络模型的对比分析及精简优化Goog Le Net网络四个方面。(2)全息显微图像分类系统实现:首先设计系统整体运行框架。然后进行系统硬件平台搭建,包括全息显微光路与主控制器两部分。之后详细说明嵌入式系统软件平台搭建,包括系统固件烧写,系统环境配置,嵌入式平台Tengine网络框架构建及ACL加速库移植。然后训练PC平台下卷积神经网络算法。最后设计了嵌入式平台移植卷积神经网络算法的具体方法。(3)系统指标测试及结果分析:主要测试了不同环境下算法运行指标、嵌入式平台算法运行效率、系统自采数据集。在不同环境的测试下,Goog Le Net-Lite网络模型获得了较高的准确率与运算速度。在嵌入式平台下Goog Le Net-Lite达到准确率94.15%的同时保证了高帧率,满足系统需求。最后对比传统方法,本系统在识别速度、便携性与成本控制上具有优越性。