深度学习在现阶段的发展已经渗透到了各个不同的领域,在生物医学图像分割领域中也得到了长足应用与发展。而本文主要针对细胞图像,在该领域中,对细胞图像的分割也依旧是一个热点问题。深度神经网络的多层次非线性表示架构所带来的高鉴别力特征自学习以及整合能力,也给我们利用深度学习去分割密集细胞带来了信心。3D U-Net由于其简洁高效的网络结构被奉为端到端分割中的经典,本文采用的基础网络也是3D U-Net。在对细胞的研究中,我们目前面临的最大挑战是细胞的密集分布。由于生物体的特殊性,针对本文研究的线虫细胞来说,线虫细胞的分布主要在头部和尾部,这导致细胞与细胞之间存在大量的紧密粘连或者是部分重叠。我们期望有一个方法可以较好地将这些紧密接触地细胞分离开来。基于上述的问题分析,本文重点研究基于深度回归的线虫细胞图像分割,主要工作和创新如下:（1）针对细胞之间密集分布导致细胞与细胞存在大量的紧密接触或者是部分重叠问题,本文提出一种基于深度矢量场回归的线虫细胞实例分割算法。其主要利用深度学习回归的思想,将位置矢量进行回归。回归学习的优势在于它可以充分利用图像信息。针对线虫细胞分割,我们首先回归出一个位置矢量场,通过这个位置矢量场,我们能够较好地区分开密集接触的细胞。本文利用距离损失去学习距离特征,同时针对位置矢量具有方向性的特点,本文引入了颜色损失去加强对于位置矢量方向性的学习。这一操作可以为每一个前景像素指明其所属的细胞,最后我们还针对细胞之间的大小差异较大问题,提出了一个新的评价指标IIOU,这个指标可以很好地衡量差异较大的实例之间的分割结果。本文通过对比多种算法来对线虫细胞图像进行分割,本文所提算法在细胞图像分割方面取得了更好的效果。相对于直接回归距离来进行细胞实例分割,我们的AJI值与IIOU值都提升了7个百分点。（2）为了进一步提升线虫细胞的实例分割精度,本文提出了一种深度弥补细节信息损失回归网络。针对卷积神经网络中的池化层造成的局部细节信息的损失以及跨层连接时编码层与解码层之间存在的语义间隙,我们提出了深度弥补细节信息损失网络（DCR-Net）,其使用空洞卷积代替池化层的策略去弥补池化造成的细节信息损失。我们设置三种不同的空洞率,分别为1、3、5,然后将这三种不同空洞率的卷积特征进行融合,从而获得完整的细节信息,同时也可以解决局部信息不一致的问题。同时使用残差连接机制去替代编码解码层之间的跨层连接,将浅层的细节特征与深层的特征进行拼接,实现对浅层细节信息的弥补。本文使用线虫细胞图像数据集进行了实验并证明了DCRNet的有效性。