El reconocimiento y análisis de objetos microscópicos es muy importante en micromanipulación. La micromanipulación ha sido ampliamente utilizada en muchos campos, por ejemplo, en operaciones de microensamblaje, microcirugía, agricultura e investigación biológica. Llevar a cabo el reconocimiento de microobjetos en la medición in situ de tejidos, por ejemplo, en la medición de flujo iónico mediante el movimiento de un microelectrodo ionselectivo (ISME), es un problema complejo. Para los tejidos vivos que crecen a una tasa, sigue siendo un desafío reconocer y ubicar con precisión un ISME para proteger los tejidos vivos y evitar dañar un ISME. Por lo tanto, propusimos un método de reconocimiento robusto y rápido basado en patrón binario local (LBP) y características tipo Haar fusionadas mediante el entrenamiento de una cascada de clasificadores utilizando el algoritmo AdaBoost suave para reconocer objetos microscópicos. Luego, pudimos ubicar la punta del electrodo en el fondo con ruido intenso mediante la transformada de Hough y la extracción de bordes con un método de detección de contornos mejorado. Finalmente, el método podría usarse para calcular automáticamente y con precisión la distancia relativa entre los dos microobjetos en la imagen microscópica. Los resultados muestran que el método propuesto puede lograr un buen rendimiento en el reconocimiento de microobjetos con una tasa de reconocimiento de hasta el 99,14% y una velocidad de reconocimiento de la punta de hasta 14 fotogramas por segundo a una resolución de 1360 x 1024. El error máximo de posicionamiento de la punta es de 6,10 m, lo que cumple con los requisitos de diseño del sistema ISME. Además, este estudio proporciona un método efectivo de orientación visual para la micromanipulación, que puede facilitar la investigación automatizada de micromanipulación.