類器官是一種能夠模擬體內組織復雜結構和功能的體外模型，通過類器官圖像分析已能實現分類、篩選、軌跡識別等功能，但仍存在識別分類和細胞追蹤精度較低等問題。深度學習算法與類器官圖像融合分析是目前最前沿的類器官圖像分析方法。本文對類器官圖像深度感知技術研究進行了調研整理，介紹了類器官培養機制及其在深度感知中的應用概念，分別綜述了類器官圖像與分類識別、模式檢測、圖像分割以及動態追蹤等4種深度感知算法的關鍵進展，對比分析了不同深度模型間的性能優勢。此外，本文還從深度感知特征學習、模型泛化性和多種評價參數等方面對各類器官圖像深度感知技術進行了歸納總結，并對未來基于深度學習方法的類器官發展趨勢進行了展望，以此促進深度感知技術在類器官圖像方面的應用，為該領域的學術研究和實踐應用提供了重要參考。
臨床使用疑似溶血血漿易引發體外溶血癥，其癥狀包括心衰、嚴重貧血等。將深度學習方法應用于血漿圖像能顯著提高識別精度，因此本文提出一種基于改進型“你只看一次”系列網絡第5代版本（YOLOv5）的血漿品質檢測模型。然后，在血漿數據集上引入本文模型和評價體系，最終分類識別的平均精度均值達到98.7%。本文實驗結果表明，通過算法網絡中的全維動態卷積、分離式核注意力池化、殘差雙向信息融合以及重參數化模塊組合，能高效獲取空間映射特征信息，提高血漿品質檢測的平均識別精確度。綜上，本文方法可以實現對血漿圖像的高效檢測，為預防體外溶血癥提供了一種具有應用價值的檢測方法。