核型分析作为细胞学遗传研究的基本方法,已成为遗传疾病筛查和产前诊断的关键环节。染色体分割作为核型分析的首要任务,直接决定后续染色体分类及异常检测的准确性和可靠性。然而,作为一种柔性物质,即使是相同编号的染色体,在不同时刻的细胞核中也会呈现出不同的弯曲形态。此外,由于高度聚集而导致的染色体接触、交叉和重叠现象普遍存在。此类困难使得染色体的精确分割仍高度依赖人工,辅助分割算法性能偏低,极大限制了高质量核型分析的智能化和全过程化。近年来,深度学习理论与应用的迅速发展,为染色体分割任务提供了新的思路。因此,针对上述挑战,本文以染色体显微图像为研究对象,以深度学习为基本手段,对染色体的语义分割和实例分割任务开展了深入研究。针对语义分割任务中染色体重叠区域大小不一、多尺度特征无法有效自适应提取的问题,本文构建了能够自适应提取多尺度特征并缓解语义信息差距的网络模型ARMS Net。首先,ARMS Net通过优化池化操作的次数,达成深度语义信息提取和高精度分割间的平衡。其次,ARMS Net通过设计自适应多尺度特征提取模块,替换UNet底部的标准卷积,以实现感受野对特征图尺寸地自适应匹配。此外,ARMS Net通过设计自适应Smooth加权交叉熵损失函数,解决样本的类别不平衡问题。实验结果表明,ARMS Net分割重叠区域的Io U得分为99.45%,相较于UNet提升3.2%,相较于CE-Net提升10.1%,可作为染色体实例分割任务的高性能骨干网络。针对实例分割任务中回归置信度与实际检测效果不匹配、分割置信度与实际分割效果不匹配,最终导致分割效果不理想的问题,本文构建了基于回归修正的染色体实例分割网络模型RC Net。首先,RC Net设计了两种分别与定位精度和分割精度更具有关联性的置信度,从而更有效地完成分类置信度的修正。其次,RC Net利用实例掩码的重叠度作为判断依据,提出基于掩码的非极大抑制算法。最后,为提高网络对于错误分割的敏感性,同时充分考虑该错误分割对于整体的影响,RC Net设计K-Io U损失函数以合理化惩罚力度。实验结果表明,RC Net分割真实染色体数据集的APM得分为83.35%,相较于基线模型Mask RCNN提升3.76%,相较于PANet提升2.64%。此外,RC Net的实现不需要额外引入头部分支,有效避免了结构的复杂化,可为其它实例分割模型提供有益参考。该论文含图39幅,表11个,参考文献108篇。