准确的肾小球显微医学图像分割是肾脏病理学中获得可靠疾病诊断的关键之一。目前，肾小球图像分割研究工作大多使用的是传统的模式识别或者机器学习的方法，这些方法需要针对不同图像设计相应特征，分析方法复杂。近年来，基于卷积神经网络的深度学习技术极大地推动了数字病理学自动化分析的发展，在医学图像处理领域得到广泛应用。本文将基于卷积神经网络的深度学习方法应用于肾小球显微医学图像分割，提出一种基于改进的MaskR-CNN和CascadeR-CNN的级联MaskR-CNN评分肾小球分割算法。主要工作如下：
　　首先，本文构建了像素级别标注的肾小球显微医学图像数据集，首次将基于卷积神经网络的改进MaskR-CNN分割算法应用于肾小球显微医学图像分割。本文按比例缩减MaskR-CNN算法候选区域网络中的锚框边长并且增加算法整体网络结构中头部掩膜分支的反卷积层层数，能够减少小目标肾小球检测的遗漏，细化分割结果。
　　其次，针对检测网络中正负样本采样使用的IoU阈值过低，产生许多假阳性检测边界框的问题，本文将改进的MaskR-CNN算法网络头部结构中边界框分支和掩膜分支交错级联，设计了一种新的级联MaskR-CNN算法，实现分割结果多级优化。
　　最后，针对当前实例分割算法掩膜质量评分不准确的问题，本文对级联MaskR-CNN算法网络添加掩膜评分模块，以校正掩膜实际质量和掩膜评分之间的偏差。实验结果显示，本文设计的级联MaskR-CNN评分肾小球分割算法可以展示更加精准的掩膜完整性评分和实现更加准确的肾小球显微图像分割。