近些年来,随着影像技术的蓬勃发展与应用,在越来越多的医疗诊断中,影像技术被用来提高医生诊断的效率并降低误诊率。在这种情况下,医疗机构需要处理越来越多的医学影像,而其中非常重要的就是对医学影像进行分割。在以往的临床诊断中,通常是经验丰富的医生来人工的进行分割,这种方式耗时耗力、结果不稳定并且分割结果存在着一定的分歧。因此,准确、快速、高效地对医学影像进行分割显得尤为重要。传统的图像分割算法一般需要人工事先提取一些特征,通常是一些低级别的图像特征,如图像的边缘、拐角、纹理和线条等。这些低级别的图像特征往往稳健性较差,容易受到环境的影响。研究证明,通常情况下,高层次、抽象的特征对于图像分割来说更加重要。而深度学习网络可以从原始的像素特征开始,通过层层的卷积操作,最终抽取出对于图像分割至关重要的高层次特征,然后利用这些特征来对图像进行分割。本文分别提出了全卷积神经网络(FCN)、U-net和改进型U-net来进行细胞核图像的分割,三种网络都将传统的卷积神经网络中的全连接层更改为卷积层,并且使用反卷积结构来实现上采样。与FCN采用逐点相加的特征融合方式有所不同,U-net将特征图在通道维度上进行拼接来实现特征的融合,并且采用跳过结构来结合低层与高层特征。U-net相比FCN取得了更好的分割效果,但是依然存在着对小细胞核分割较差、边缘粗糙、欠分割与过分割的缺陷。因此,本文最后一章不仅采用了更加复杂的卷积神经网络来构建编码器,使用预训练的参数来进行初始化,并将空洞卷积加入其中,最后还对原始U-net的损失函数进行了改进。文末对FCN、U-net、改进型U-net的细胞核图像分割结果进行了分析,可以看出:从FCN到U-net再到改进型U-net,细胞核图像分割效果越来越好,鲁棒性与健壮性稳步增强,对边缘细节部分和较小的细胞核的分割能力越来越强,过分割和欠分割的现象也逐步减少,证明了本文对于FCN、U-net的改进取得了相应的效果。