细胞是生命体的基本功能单位,对细胞的计数测量可以有效辅助临床医学疾病诊断及预防。最初,人工计数方法效率低下且存在主观误差。20世纪中期出现的细胞计数仪器解放了人力,发展到目前,其功能已有了极大提升但在智能计数方面仍有上升空间。近年来,借助超强计算能力处理复杂学习任务的深度学习在计算机视觉等方面取得了重要的突破,将其应用于显微镜细胞图像实现细胞计数任务也成为了生物学领域研究的一大热门。本文从基于深度学习的两种主要的细胞图像计数方法入手,分别从其算法理论、模型实现方面进行研究和对比,并且开发应用系统实现算法功能。本文重点研究基于密度估计的细胞图像计数方法和基于定位的细胞图像计数方法的算法理论和模型实现。基于密度估计的细胞图像计数方法利用全卷积神经网络回归细胞密度图得到细胞数,其中密度图通过高斯核估计和直方图两种方法获取。基于定位的细胞图像计数方法将细胞定位任务和计数任务分离,首先,采用改进后的U-Net生成端到端的细胞分割图像,其次,训练VGG-11实现分割图像中细胞个数计算的任务。在此基础上,对两种方法实现的模型采用不同细胞图像数据进行对比,进而得到了基于密度估计的细胞图像计数方法适用于密集度高,目标形态微小模糊的计数任务,而基于定位的细胞图像计数方法在目标形态明显,密集度低的情况下准确率更高的结论。最终,本文通过软件工程的方法设计并实现了基于密度估计和基于定位的细胞图像计数系统,用户可通过该系统对自定义细胞图像进行计数。