摘要目的:针对血液显微镜图像中因血细胞粘连、密集排列及相互遮挡导致的检测精度低和漏检问题,提出一种改进YOLOv11的血细胞检测模型.方法:选择由主干网络(Backbone)、颈部网络(Neck)和头部网络(Head)组成的YOLOv11模型作为基础框架进行改进.首先,引入可变形注意力机制(deformable attention,DAttention)改进C3k2模块;其次,引入可分离大核注意力机制(large separable kernel attention,LSKA)改进快速空间金字塔池化(spatial pyramid pooling fast,SPPF)模块;最后,通过引入多尺度分离增强注意力模块(multiscale separated and enhancement attention module,MultiSEAM)改进Head部分.选用血细胞计数与检测(Blood Cell Count and Detection,BCCD)数据集开展消融实验和对比实验,通过平均精度均值(mean average precision,mAP)、精确率和召回率评估改进YOLOv11模型对血液显微镜图像中血细胞的识别效果.结果:改进的YOLOv11模型识别血细胞的mAP、精确率和召回率分别为93.79%、87.20%和92.00%,在血小板、红细胞、白细胞类别检测中,平均精度分别为92.30%、90.30%、98.80%,除在白细胞类别检测中平均精度略低于基准模型YOLOv11外,其他指标均优于YOLOv11模型.结论:改进的YOLOv11模型在血细胞检测方面展现出了优异的性能,对血细胞粘连、重叠和遮挡情况的处理能力显著提升,为医学图像分析提供了更高效准确的方法.