丰富的形态学统计信息是腺癌早期诊断的重要依据,精确的腺体分割是获得可靠的形态学统计信息的一个关键的先决条件,因此腺体分割在医学图像处理领域占有重要地位。医学图像处理的发展趋势预示着,基于深度学习的分割模型是腺体分割的重要方法。目前,深度卷积网络应用于腺体图像分割存在三大难点,包括特征分辨率不断降低的问题、待分割的腺体细胞存在多个尺度的问题和深度卷积网络固有的不变性问题。针对上述三个问题,本文提出了两种基于改进U-Net模型的分割方法。第一种分割方法是将传统U-Net模型和全连接条件随机场相结合的非端到端改进方法。第二种分割方法是改变传统U-Net模型的内部结构的端到端改进方法。本文提出的非端到端改进方法,通过将全连接条件随机场直接作用于传统U-Net模型输出的分割图,将目标边缘精细化;端到端改进方法则通过添加空洞残差模块、空洞金字塔池模块和注意力模块改善上述的三大问题。为使两种改进模型拥有较好的性能,通过多个测试实验选取模型的参数,包括全连接条件随机场的参数和空洞卷积层的空洞比例。最后,基于Warwick-Qu数据集、UCSB breast cancer cell数据集和MoNuSeg数据集验证了两个改进模型的分割性能,基于PatchCamelyon数据集和DIC-HeLa数据集验证了两个改进模型的泛化性能。实验结果显示,本课题的非端到端分割方法的分割性能相对于其他优秀模型没有突出性的优势,而端到端分割方法则表现了比其他模型更为精细的分割结果。