В статье рассматривается проблема трудоемкости процесса определения лейкоцитарной формулы крови рыб при ее одновременной высокой значимости и необходимости с точки зрения мониторинга здоровья особей. Авторами представлен подход к автоматизации составления лейкоцитарной формулы крови рыб (на примере осетровых) с использованием модели сверточной нейронной сети, способной обнаруживать и идентифицировать клетки на микроскопическом снимке крови. Рассматриваются общая схема гемопоэза, нормативы гематологических показателей осетровых рыб. Описывается процедура подготовки изображений для обучения модели искусственной нейронной сети на основе разметки. Приводится описание программных инструментов для взаимодействия с изображениями и с моделями искусственных нейронных сетей. В результате исследований подготовлено 14 микроскопических снимков клеток крови рыб на основе разметки, обучена модель сверточной нейронной сети, общая средняя точность идентификации (MAP, Mean Average клеток на отдельных снимках в среднем составила 0,92, точность распознавания эритроцитов – 0,94. Результаты исследований могут служить основой дальнейшего изучения, разработки и использования сверточных нейронных сетей для автоматизации составления лейкоцитарной формулы на основе высокоточного распознавания клеток крови рыб на микроскопических снимках. //The article considers the labor intensity of the process of determining the white blood cell count of fish, which is simultaneously being highly significant and necessary in terms of monitoring the health of individuals. The authors present an approach to automating the compilation of the white blood cell count of fish (using sturgeon as an example) using a convolutional neural network model capable of recognizing and identifying cells in a microscopic blood image. The general scheme of hematopoiesis and standards for hematological parameters of sturgeon are considered. The procedure for preparing images for training a markup-based artificial neural network model is described. Software tools for interaction with images and artificial neural network models are described. As a result of the research, 14 microscopic images of fish blood cells based on markup were prepared, a convolutional neural network model was trained, the overall mean average precision (MAP) of which was 0.33. At the same time, the overall accuracy of cell recognition in individual images was 0.92, and the rate of red blood cell recognition was 0.94. The research results can serve as a basis for further study, development and application of convolutional neural networks for automating white blood cell count compilationh blood cells in microscopic images.