秀丽隐杆线虫具有简单但完整的器官,大部分生理变化通常以视觉观测估算为主,缺乏量化。计算机视觉技术可以实现自动定量评估,有助于研究人员对线虫的各种生理变化进行量化计算和分析。本文主要研究秀丽隐杆线虫显微图像的分割,为线虫的寿命预测、三维重建、动态跟踪等打下基础。秀丽隐杆线虫显微图像噪声较多,线虫边缘像素与周围环境相似及线虫的体态具有鞭毛和附着物需要分离等多个干扰因素,传统算法无法满足高精度、高鲁棒性的分割需求。本文提出了一种基于掩模区域卷积神经网络（Mask R-CNN）的改进分割算法,该算法通过学习线虫形态特征进行自动分割。由于原始网络结构不能高效地学习到上下文信息和视觉属性,算法将高级语义特征与低级边缘特征融合实现了多级特征融合,从而可以更加充分利用网络中的上下文信息,并在掩模分支添加全连接路线辅助全卷积网络（FCN）生成更高质量的分割掩码。由于显微图像中的线虫体多为半透明,模型不容易将其与背景区分,算法又改进了损失函数和候选框筛选算法,有效减少了多条线虫中的漏检误检现象。实验结果表明,相比原始的Mask R-CNN,该方法平均精确率(AP₅₀)提升了4.3个百分点,平均交并比（m IOU）提升了4个百分点。算法结果表明本文提出的深度学习分割方法能够有效提高分割准确率,能够在复杂显微图像下更加精确地分割出线虫体。