海洋中的有害藻华， 包括微藻形成的赤潮和褐潮以及大型藻类形成的绿潮和金潮， 已成为一类突出的海洋生态灾害问题。2021年11月—12月， 山东半岛东北部海域发生多纹膝沟藻（Gonyaulax polygramma）形成的大规模赤潮， 导致海带养殖严重受损， 亟待构建有针对性的赤潮监测预警体系。本文以多纹膝沟藻为对象， 尝试应用流式影像仪（FlowCam）结合卷积神经网络模型YOLOv3， 分别对含有多纹膝沟藻的浓缩海水样品、含有多纹膝沟藻和链状亚历山大藻（Alexandrium catenella）的浓缩海水样品， 以及含有多纹膝沟藻活细胞及空壳的浓缩海水样品进行了检测实验， 探究了基于藻种影像的深度学习模型在赤潮原因种检测方面的应用潜力。结果表明， 在以FlowCam获取的影像数据集训练3万次后， YOLOv3对多纹膝沟藻表现出较好的识别能力， 对浓缩海水样品中目标藻种识别的平均精度为88.2%; 当样品中存在与多纹膝沟藻形态相似的链状亚历山大藻时， 模型对多纹膝沟藻识别的平均精度下降为76.6%， 对两种微藻同时进行训练和检测， 可将对多纹膝沟藻识别的平均精度提高至84.6%。对于低温下出现脱壳现象的多纹膝沟藻， 模型对海水中活细胞识别的平均精度为86.7%， 对空壳识别的平均精度87.8%， 将多纹膝沟藻活细胞与空壳分别识别的平均精度均值（87.3%）高于将两者统一作为多纹膝沟藻进行检测的识别精度（84.2%）， 整体识别精度提升3.1%。综合相关结果可以看出， FlowCam与深度学习模型相结合在赤潮监测和研究中具有重要应用潜力。