Los exámenes de morfología hematológica, esenciales para diagnosticar trastornos sanguíneos, utilizan cada vez más el aprendizaje profundo. La clasificación de las células sanguíneas, determinada por combinaciones de atributos celulares, se ve complicada por las complejas relaciones y sutiles diferencias entre los atributos, lo que resulta en penalizaciones significativas de tiempo y costos. Este estudio presenta la estrategia de Aprendizaje de Etiqueta Parcial para la Clasificación de Células Sanguíneas (P4BC), un método que entrena redes neuronales utilizando los datos de etiquetado de atributos celulares sanguíneos de anotaciones débiles. Utilizando conocimiento morfológico, predefinimos conjuntos de etiquetas candidatas para los atributos celulares sanguíneos para combinar este conocimiento con el aprendizaje profundo. Esto mejora la precisión de predicción del modelo y la interpretabilidad en la clasificación de atributos. Este método combina de manera efectiva el conocimiento morfológico con el aprendizaje profundo, un enfoque al que nos referimos como alineación de conocimiento. Resulta en un aumento del 8.66% en la precisión de reconocimiento de atributos y una mejora del 1.09% en la coincidencia de predicciones con los conjuntos de etiquetas candidatas, en comparación con el método original. Estos resultados confirman la capacidad de nuestro método para captar la información característica de los atributos de las células sanguíneas, mejorando la interpretabilidad del modelo y logrando la alineación de conocimiento entre la morfología hematológica y el aprendizaje profundo. Nuestro algoritmo garantiza la precisión en la clasificación de atributos y muestra una excelente clasificación de categoría celular, destacando su amplio potencial de aplicación y valor práctico en la clasificación de categorías de células sanguíneas.