浮游植物是水生生态评估中不可或缺的指示生物，而这种评估的有效性在很大程度上依赖于准确的物种识别和细胞计数（Henley, 2019）。这是因为特定藻类数量的变化与关键的生态事件直接相关。例如，微囊藻的增殖预示着致癌性肝毒素的风险（Reid et al., 2024），而假菱形藻细胞数量的迅速增加则是水体中2-甲基异波醇（geosmin）产生的直接指标（Su et al., 2022）。如果没有在物种水平上区分和量化藻类的能力，藻类群落的结构变化就无法转化为明确的预警信息。因此，对单个藻类物种进行准确的细胞计数是必不可少的。它们构成了原始浮游植物数据与可操作管理策略之间的关键联系，在保护水质和生态系统健康方面发挥着重要作用。
目前的浮游植物分析方法包括手动显微镜检查（Peniuk et al., 2016）、荧光光谱（Thiviyanathan et al., 2024）、分子生物学方法（Smucker et al., 2025）以及图像识别和计数（Yuan et al., 2023）。其中，手动显微镜检查仍然是藻类识别的主流方法，但它耗时、劳动密集，并且严重依赖受过培训的专业人员。荧光光谱利用不同藻类门类之间的色素组成差异进行细胞计数，但只能达到门级水平，无法区分物种。分子生物学方法涉及从藻类样本中提取DNA，扩增和测序特定基因片段，并与参考数据库进行比对以进行物种识别。图像识别和计数方法包括获取浮游植物的显微图像，并应用机器学习或深度学习技术提取形态特征以进行藻类识别。近年来，随着深度学习在图像处理和识别方面的快速发展，基于显微图像分析的浮游植物识别技术迅速发展，已成为取代手动显微镜检查的最有前景的先进方法。
已经进行了大量关于基于显微图像的浮游植物识别和细胞计数的研究。在浮游植物图像识别领域，Pant（Pant et al., 2020）首次建立了用于圆盘藻识别的CNN方法，他们修改的ResNeXt模型取得了98.45%的准确率。Yadav（Yadav et al., 2020）开发了一个改进的ResNeXt模型，对16种藻类进行了分类，准确率达到99.97%。Liang（Liang et al., 2024）将特征相似性指标应用于ResNet，解决了数据集不平衡的问题，微F1分数提高了5.69%，宏F1分数提高了11.85%。尽管在微藻的分类识别方面取得了显著进展，但针对显微群体浮游植物图像的细胞计数方法的研究仍然相对有限。Peng（Peng et al., 2024）提出了一种定量分析方法，用于处理包含41个浓度梯度的图像数据集。然而，该方法无法对不同藻类物种进行细胞计数。Krause（Krause et al., 2020）使用全卷积神经网络和边界框检测技术在显微图像中计数单细胞硅藻，获得了0.82的F1分数。Zhang（Zhang et al., 2024）开发了一种基于微流控的单细胞浮游植物计数方法，使用图像去重算法消除连续帧中的重叠，将计数误差降低到了1.15%。然而，自然水中的浮游植物通常通过细胞分裂或粘附形成群体，表现出多种形态结构（Yang et al., 2008）。例如，圆盘藻通常形成由4、8、16、32、64或128个细胞组成的厚而扁平的圆盘状群体（Yu et al., 2024），而Scenedesmus则表现为长圆形、卵形或近似球形的群体细胞（Condori et al., 2024）。相比之下，微囊藻的群体特征是不规则的细胞聚集（He et al., 2024）。目前计数群体浮游植物的方法主要依赖于根据图像中的群体表面积估计细胞数量（Park et al., 2019）。然而，藻类细胞的大小差异很大，且经常相互粘附，导致较大的误差。一些研究人员为某些群体类型开发了特定的形态计数技术。例如，Giraldo-Zuluaga（Giraldo-Zuluaga et al., 2018）将Scenedesmus分为五类（1/2/4/8/16个细胞），并将分类结果直接转换为细胞计数。尽管如此，浮游植物包含大量的分类单元，为每种群体开发人工计数方法涉及高昂的成本，并且在不同藻类物种之间的通用性有限。
自然水体中的浮游植物通常以群体形式存在，这使得现有的细胞计数方法无法直接应用。本研究创新性地引入了来自人群计数的密度估计概念（Zhang et al., 2016; Song et al., 2021），开发了一个基于多任务学习的通用模型，用于浮游植物显微图像识别和细胞计数。该模型使用ResNet（He et al., 2016）作为共享骨干网络，通过交替训练优化物种分类和细胞计数分支的参数，基于密度图实现了对各种群体形态的浮游植物的端到端准确计数。所提出方法的有效性通过平均绝对误差（MAE）和均方误差（MSE）等指标的比较结果得到了验证。
