对人类细胞形态进行观察可以得到因先天性基因缺陷、感染、突变等因素而造成的细胞形变、增殖分化和病变死亡等情况,对患者健康状况做出评价。利用计算机视觉技术对细胞样本进行分割提取并加以研究,可以更加高效、准确的对细胞病变及增殖情况进行检测分析,弥补人工镜下观察方法中。因检测人员的主观性影响以及细胞样本本身受暴露时间和环境等因素的影响而发生性状改变,致使检测结果的准确性无法得到保证,且耗时耗力等问题,本文分别从传统算法和深度学习领域对显微细胞图像的分割进行探究,提升了细胞图像的分割精度。具体研究内容如下:（1）对显微细胞图像分割的研究背景做出了阐述,从传统算法和深度学习两个层面对国内外的研究现状进行了分析。介绍了阈值分割法,分水岭算法,主动轮廓模型等传统图像分割算法以及深度学习理论和U-Net、FCN、Deep Lab v3 plus等经典语义分割模型框架,并提出在显微细胞图像分割中面临的主要问题。（2）传统算法比较容易实现和理解,并且可以快速地处理图像数据。基于传统算法,本文提出了一种基于颜色模型极小值运算的细胞图像分割算法。首先提取了图像HSV通道中特征明显的S分量图像,并使用形态学重构、H-minima和图像增强等技术来修正图像梯度。接着采用分水岭算法对图像进行分割,并根据原图像灰度的一致性对分割结果进行区域合并,得到背景、细胞和细胞核三个部分。最后采用形态学后处理方法去除虚假噪点并平整区域边缘。实验结果表明,本文提出的方法对人类口腔粘膜细胞图像中细胞与细胞核的分割准确度分别达到0.9867和0.9865。对人类血液细胞图像中细胞与白细胞核的分割准确度分别达到0.9469和9923,提高了细胞图像分割的精度。（3）随着深度学习在图像分割领域的迅速发展,深度学习模型开始被应用于显微细胞图像分割。深度学习模型能够通过端到端的方式学习图像特征和对象分类,实现自动显微细胞图像分割。基于深度学习算法,提出了一种新的基于深度学习算法的编解码结构模型,用于显微细胞图像分割。该模型通过将空洞卷积和空洞空间卷积金字塔池化等技术应用于残差网络中,提高深度神经网络获取语义信息的能力,并进一步捕获图像的多尺度信息,从而提高了模型的性能。该模型还使用了跨阶段局部网络模块和加权融合等方法来处理不同层次的特征,获得同时包含深层强语义信息和浅层强位置信息的新特征。最后,通过对特征图进行分类并上采样至原始图像大小的方式来完成分割。实验结果表明,该模型可以对人类口腔粘膜细胞图像和人类血液细胞图像进行精准的分割,平均交并比分别为0.8875和0.9497,这证明了该模型能够满足对医学显微细胞图像的精准分割需求。