质谱细胞术（Imaging Mass Cytometry,IMC）是一种高度复用的抗体成像技术,可以在组织切片上以单细胞分辨率同时对多达40种蛋白标志物进行成像,为肿瘤微环境的全景探索提供了更多的可能性。因此,对单细胞的准确分割成为肿瘤微环境有效分析的必要前提和基础。然而,由于IMC图像拥有很多蛋白通道,因此如何处理这种高维的图像数据成为了 IMC图像分割任务中的最大难题。目前已经开发了许多IMC图像分割方法,但是一般效果不好或者需要耗费大量的时间手动标注。因此,本文提出了一套基于深度学习的分割方法用于IMC图像数据的分割。相比于现有的方法,本文提出的算法实现了更加准确、高效的分割。主要研究工作如下:（1）本文以卷积神经网络为基础,并利用现有的图像分割方法在分割聚集在一起的细胞方面的优越性,提出了一种新的细胞图像分割算法。首先利用交互式机器学习生成的像素分类概率图通过知识蒸馏的方法来指导多个深度神经网络的训练,从中选择性能最好的模型作为通用的像素分类器。该像素分类器将细胞图像里每个像素分类为细胞核、细胞质和背景。最后使用CellProfiler对分类概率图进行后处理,实现细胞分割。（2）为了使我们的模型能够适用于所有的IMC图像,我们将某些位置特异性蛋白合并为两个位置信息通道,分别代表细胞核和细胞质膜。（3）由于细胞分割的目的是为了实现细胞的定量,所以验证该方法有效性的真正关键点在于它是否能够产生更精确的细胞表型测量值。因此,除了通过一系列像素精度指标来评估本文方法的分割效果,本文还提出了一套完整的关于细胞分割验证方法,对图像中细胞表型进行测量,从细胞形态、面积重合度、蛋白表达等多个角度来分析并验证细胞分割结果的可靠性。