细胞图像分割一直是医学图像领域的重要研究对象。在白细胞图像分割领域,由于白细胞类型多样导致细胞形态各异,加大了分割的难度。血液涂片中存在大量红细胞与白细胞粘连的情况,以及不同染色技术和成像方式造成的成像效果差异也是白细胞分割中普遍面临的难点问题。本文的研究目的是利用计算机技术来代替繁重的人工重复性工作,利用深度学习强大的自学习能力解决细胞分割领域的难点问题,提高细胞分割的准确率和效率。针对上述问题本文做了如下工作:(1)本文以卷积神经网络为基础,结合了UNet和EfficientNet的结构优势创建了一个新的白细胞核质分割模型。该模型将UNet结构与EfficientNet结构进行了融合,借助预训练好的EfficientNet最优结构进行特征的提取,来提高特征学习的能力。同时通过跳跃连接实现网络中多尺度特征的融合,提升模型的分割精度。模型中还应用了深度可分离卷积来提升模型的训练速度。(2)本文模型在3个不同数据集上进行了实验验证,并与UNet,SegNet等其他方法进行了分割效果的比较。在实验过程中,首先对于所用数据进行调整大小、灰度固定化、数据增强等预处理操作,随后在3个数据集上进行训练。经实验验证本文模型在不同分割环境下均能实现清晰的核质分割且分割效果稳定。同时在与其他分割方法比较中,本文模型分割效果及指标在3个数据集上均优于其他方法,其中F1值分别达到0.963,0.977,和0.866。(3)本文对数据集3及测试集中分割所得的结果进行了形态学信息的统计与分析。获得了五种类别白细胞在胞核面积,胞质面积,胞核胞体比,胞核胞质比,分叶数的分布情况。另外根据所得的形态学信息利用K近邻算法实现了白细胞的分类,在数据集3测试集中的分类精度可达93.3%。