自动分析医学显微图像以确定细胞核位置是肿瘤诊断和癌症检测的一个重要环节,细胞核分割与定量将有助于疾病研究人员分析病变产生的原因、发病机理、肿瘤可能产生的变化,以此得到诊断的结论。传统的细胞核实例分割算法需要标注完整的数据以达到较好的训练效果,但是医学显微图像中细胞核数量众多,不同组织的细胞核之间又存在形态的高异质性,并且图像中细胞核边界由于失焦、染色等原因常常趋于模糊,多种客观因素使得标注成本极高,难以实现图像中细胞核实例的完整标注。为了解决上述矛盾,本文提出了基于锚点偏移预测和半监督学习的细胞核实例分割方法（AOP-Mask）,在仅对局部细胞核实例进行标注的情况下实现全图的细胞核实例分割,为缓解医疗数据标注成本高、分析耗时耗力的问题作出贡献。实验结果表明AOP-Mask在多个评价指标上优于Mask R-CNN,并且在部分标注的Mo Nu Seg数据集上达到国际领先水平（state-of-the-art,SOTA）。主要创新点包括:（1）在特征金字塔FPN上运用CBAM注意力机制。针对医学显微图像中细胞核常常是密集堆叠的的问题,为了使模型着重关注当前检测到的细胞核本身,而不是它周围的其他细胞核。我们在特征金字塔FPN的特征输出位置添加了CBAM注意力机制,使得模型能够学会主动地关注这些关键的信息。（2）提出锚点偏移量预测分支（AOP branch）。针对第二阶段的回归分支输入的特征经过Ro I Align的下采样后丢失细胞核特征信息的问题,以及在非极大值抑制过程中较优检测框被抑制的问题,我们提出锚点偏移量预测分支AOP替换第二阶段的回归分支,在避免下采样带来的细胞核特征信息丢失的同时,利用预测到的锚点偏移量辅助非极大值抑制过程,以保留检测效果更好的检测框。（3）提出基于伪标签合并的半监督训练方法。针对医学图像中细胞核的完整标注的工作成本高、传统细胞核实例分割模型在使用只有部分标注的数据集来训练时精度下降的情况,我们提出了两阶段的基于伪标签合并的半监督训练方法。该方法能够缓解因数据集只有部分细胞核被标注,带来的正负样本不均衡问题,达到了部分标注情形下的更高精度的细胞核实例分割效果。