腺体是大多数器官的重要组织结构,主要负责分泌碳水化合物和蛋白质。由腺体上皮层引起的恶性肿瘤,也称为腺癌,是最为常见的癌症之一。对癌症进行分级可以指导医生制定对应的治疗方案,而腺体的形态对于癌症等级的判定尤为重要。因此,在组织病理学图像中精确分割腺体的形状具有重要的意义,也是开展病理图像辅助诊断的前提。一般来说,人工分割比自动分割更为准确。但由于数字病理图像的尺寸过大,人工分割极其耗时且昂贵。因此,研究自动分割的方法是有价值和意义的,能够减轻病理学家的工作强度。在现有的计算机辅助技术能够快速分割腺体的背景下,精确的腺体分割仍然是一个挑战,如相邻腺体存在粘连、良恶性腺体的形态差异较大等。为了克服以上的难点,本文采用深度学习方法深入开展腺体自动分割研究,主要内容包括:（1）本文提出了一个混合特征增强网络（Hybrid Feature Enhancement Network,HFE-Net）用以增强全局信息、局部信息、多尺度信息以及边界信息。该网络包含了多个多尺度局部特征提取模块（Multi-Scale Local Feature Extraction Block,MSLFEB）和全局特征增强模块（Global Feature Enhancement Block,GFEB）。其中MSLFEB通过不同大小的感受野提取多尺度特征,同时能够减少局部信息的丢失,有效缓解了腺体的粘连问题。GFEB则增强了全局的语义信息并将底层特征传递给解码器,通过融合高低维度的信息,使目标区域的腺体分割更为精确。（2）考虑到腺体数据集中存在的类不平衡问题以及腺体的形状多变,本文设计了一个类平衡方差损失函数（Focal and Variance Loss Function,FV-Loss）。有效缓解了腺体与背景之间的类不平衡问题,并对同一腺体实例中的像素进行约束,避免腺体实例中出现空洞。（3）我们在两个腺体形态有较大差异的公开数据集上进行了实验并与已有的自动分割方法进行了对比。实验结果表明,HFE-Net能有效增强全局、局部及边界信息,缓解了相邻腺体的粘连问题。同时,FV-Loss降低了模型的假阳性。与已有的腺体分割方法相比,HFE-Net在多项指标上优于大部分最新的方法,且模型的泛化性更强。