目前,很多癌症的诊断与分级都要依赖于细胞的数量与形态,细胞的自动分割是计算机辅助病理诊断的过程中十分重要的一步。细胞的精确分割不仅能够辅助病理学家做出更精确的诊断,同时也能节省更多的时间与精力。然而,目前细胞分割任务领域仍然存在很多难题,例如:不同医院的数据集染色差异较大、细胞粘连问题以及需要分割的细胞切片取自于不同的人体组织。为了解决以上问题,本文针对卷积神经网络做出了一系列改进,主要研究有以下几点:1.本文提出了基于注意力机制的卷积神经网络AENet（Attention Enforced Network）,其中空间注意力机制自适应地融合了全局语义信息与局部语义信息,通道注意力机制可以获取更有效的特征图。为了融合深层抽象的语义信息与浅层丰富的位置信息,本文提出了特征融合支路,二者的结合有利于对细胞图像进行更准确的分割。最后,本文采用分水岭算法对深层卷积神经网络的输出图进行了后处理,减少了被误识别为细胞的碎片化区域。2.由于训练集中的细胞图像数量有限,因此,采用了一系列的数据增强操作对现有的数据集进行了扩充,保证了数据的丰富性,减少了过拟合带来的影响。3.因为测试集中的图像均取自不同的医院,染色差异较大,严重影响了最终的分割效果,针对此问题本文提出了单独色彩归一化方法,对每张图像都单独计算均值与方差,有效降低了染色差异带来的影响。此外,本文采用了基于图像块的多尺度测试方法提高了分割准确率。本文中提出的方法能够对细胞图像进行较为准确地分割,大量的消融性实验证明了以上模块的有效性,其在MoNuSeg数据集上的表现优于现有的经典分割网络。