免疫组织化学(Immunohistochemistry，简称IHC)是生物成像技术的核心技术，它对肿瘤的早期诊断和治疗意义重大。近年来，随着免疫组织化学技术的发展和各种特异性抗体的出现，使许多疑难肿瘤得到了明确诊断。通过免疫组化技术得到的图像在肿瘤诊断和鉴别诊断中的实用价值也受到了普遍的认可，其在低分化或未分化肿瘤的鉴别诊断时，准确率可达50％-75％。所以若能从病人海量的免疫组化图片中自动识别出病变图片供医师重点判断，无疑会有效减少医生的判读时间，辅助临床医生快速筛查出病变图片。但是由于免疫组化图像易受到拍摄条件，染色剂以及染色操作等因素的影响，图像呈现出背景复杂，颜色信息丰富等特点。现有的图像分割技术往往无法矫正免疫组化图像的复杂背景和染色混叠区域，从而导致现有的分割技术对免疫组化图像的分割效果无法达到临床应用需求。所以目前临床上仍然采用视觉评分的手段判别IHC的阳性程度，其结果的主观性和操作的不可重复性限制了IHC的应用，因此基于免疫组化图像的计算机分割，处理和定量分析技术被众多研究人员提上研究日程，特别是有关免疫组化图像的自动分割技术研究，对于病变图像识别和筛选起着关键性作用，是免疫组化图像后续处理的前提。　　 本文研究提出了一种基于免疫组化图像的自动分割技术，包括细胞核分割和膜分割两个部分。在细胞核分割方面，针对免疫组化(IHC)图像边缘提取中经常出现的染色区域颜色混叠现象，本文提出的局部颜色熵分割方法，在创新型上充分考虑到染色图像丰富的颜色信息，并巧妙的将当前免疫组化图像分析中的颜色分离技术引入到本算法的分割处理中，通过颜色卷积模版来得到分离后的分割输入图像。然后设计了新的图像熵计算模版，并由IHC图像在R，G，B单颜色通道的局部图像熵来合成最终的熵，最后根据图像熵使用类间最大方差法提取目标边缘。通过Matlab仿真实验证明，该方法与传统的图像熵分割方法相比，对图像中有颜色变化但亮度近似的边界区域有很好的边界提取效果，而且还有效避免了传统图像熵在图像边缘拐角处的熵值丢失或阶跃的情况出现，算法分割的准确性和鲁棒性都得到明显的提高。由于细胞膜只有在染色成功时才可见，对于那些没有染色的区域，使用常规的图像分割方法往往无法实现正确分割，这使得针对免疫组化图像细胞膜的分割面临一些挑战。本文为了提高细胞膜分割的精度，充分利用了细胞膜在形态学上的几何特征，先快速找到近似细胞膜位置，然后参考真实细胞膜轮廓，对于未染色的细胞膜轮廓采用了重构的方法，最后通过插值和平滑技术将两部分连接在一起，得到细胞膜分割的最终边界。研究表明，通过对来自人工定位的真实图像数据比较，本文方法在IHC图像分割上有很高的精确性和速度。本文有关分割部分的程序代码采用C++实现，并做了性能方面的优化，有关结论的对比试验采用了matlab编码实现。该方法实验表明，对免疫组化图像的分割真实可信，图像处理的结果能很好的辅助病理医生完成诊断。