医学图像分析是临床辅助筛查、诊断、分类的重要手段之一。在医学图像中,病理图像不仅可用于检测病变细胞和组织,来以进行诊断或预后,还可用于分析各种疾病,如癌症和多器官疾病。卵巢是雌性哺乳动物必不可少的生殖系统,也是一个复杂的内分泌器官。卵泡是存在于女性卵巢中的细胞,原始卵泡的数量在女性出生时就已经决定。卵巢早衰、基因突变、药物等因素都会影响卵泡的数量。因此通过计算卵巢卵泡的数量,能够预测女性的寿命和生殖能力。本文针对基于深度学习的卵巢卵泡的分割和计数展开研究,主要内容如下:（1）对现有的Deeplab V3+网络进行优化,提出了一种更加适合于病理图像的Imp-Deeplab网络。我们对空洞卷积池化金字塔进行修改,增加它的空洞卷积分支和空洞率并加强了底层信号。改进后的网络融合了底层和高层语义信息,对图像能进行高精度分割。（2）我们提出了一种结合注意力机制和多尺度的语义分割系统。首先,我们设计了一种新的注意力模块D-Coordinate,该模块结合了空间注意力和通道注意力,拥有较好的效果。我们以HRNet为基础,通过在残差块上的改进,并加入了注意力模块D-Coordinate,设计了Attention HRNet。我们测试了HRNet通过搭载不同注意力模块的分割效果,结果表明我们的Attention HRNet在病理图像上表现优于原版。（3）我们将改进的Attention HRNet应用于卵巢卵泡细胞,提出了一种新的自动分割技术系统。对于数据集不足以及不平衡的问题,我们进行了数据扩充和不同类之间的权重调整。为了提高分割精度,我们对实验中的超参数进行了调整。同时,我们测试了在不同语义分割网络在卵巢卵泡细胞的表现。最后,我们将设计的方案与过去的研究进行对比,实验结果表明我们的方案能提高卵泡细胞的分割和计数。