图像分割技术就是将数字图像划分为一些相互独立的区域,这些区域互不相交,对于医学图像来说,图像的分割在图像的处理过程中具有十分重要的地位,它是实现图像关键目标区域提取、关键组织部分的定量表示以及进行图像的三维重建的基础。而对于神经细胞而言,人类为了更好的研究细胞的构造以及形态变化,神经科学家们需要对细胞进行分割以便于实现三维空间组织的重建,而这-任务的基础和关键是二维空间神经细胞的自动分割。细胞图像一方面既拥有医学图像成像的特点,另一方面相对于一般的医学图像而言又有其自身的特点,并且,神经细胞本身的错综复杂的拓扑结构、内部各种各样细胞器的干扰以及复杂的纹理的存在,此外,EM成像也存在边界丢失、模糊不均匀等质量问题。这些因素意味着细胞膜的分割要求更高的细节特征,从而使得神经细胞的自动化分割是一项充满挑战性的任务。因此,借助现代化信息技术手段,利用机器学习的方法来实现神经细胞的自动化分割,是必然的选择。好的识别特征对于一个识别系统来说是至关重要的,本文针对神经细胞膜分割问题,结合了特征表达等问题进行了如下的研究：(1)针对传统的基于像素级别的图像分割算法,分析了已有工作的问题,以像素级别来描述物体的特征,描述的特征量很多,但存在着对噪声敏感、数据冗余、处理效率低等问题。基于超像素的图像处理是一个值得关注的研究方向。超像素可被视为一种局部特征描述子,具有一定的语意特征。基于超像素进行图像分割,则是当前研究的重要方向之一。本文以超像素为基本单位进行图像特征的表述,针对超像素来提取特征,研究了基于超像素的特征表达等问题。并且基于超像素、使用随机森林集成学习方法实现了细胞膜分割。在ISBI2012年的竞赛数据集合上证明了本方法的有效性(2)特征表达的好坏对于一个识别系统来说是至关重要的,细胞的特殊构造意味着,细胞的分割需要更高的细节特征。传统的基于手工设计特征,不仅需要对待解决问题有深入的理解,而且实现起来也比较乏味、耗时,而且不能直接处理原始图像。另外针对特定的图像需要设计不同的特征,这就限制了设计特征的通用性,人工设计样本特征的途径是不可拓展的,此外,基于人工设计的特征只能表达一些底层的特征,并不能很好的表示出图像的一些中级或者高级的语义特征。近来基于特征学习的方法是当前图像识别的一个研究热点。本文面向神经细胞显微图像的细胞膜分割,基于深度卷积神经网络和随机森林分类器,整合了两者之间的优势,将传统的深度卷积神经网络作为可训练的特征提取器,随机森林作为模式识别器,实现了一种基于深度卷积神经网络和随机森林(CNN-RF)的混合方法来解决神经细胞图像的分割问题,在公开数据集合上取得了较好的效果。