自动精确分割组织学图像中的腺体在癌症诊断中起着重要作用。尽管基于神经网络的腺体分割方法效果优于传统的腺体分割方法,但是传统方法中的特征提取却能提高神经网络分割腺体的效果。本文的所有实验都是在MICCAI 2015会议上公布的腺体分割挑战Warwick-QU数据集上测试,并与最新的研究结果进行比较。针对“邻接”腺体的黏连问题,本文提出使用Faster R-CNN模型检测腺体。但是Faster R-CNN模型在检测恶性腺体时效果较差,针对该问题,本文提出了利用颜色特征提高Faster R-CNN检测恶性腺体的准确度的新方法。本文提取颜色特征采用的是概率颜色检测模型。本文首先对数据集进行扩展,然后对扩展后的数据集进行预处理,包括提取颜色特征和直方图增强,最后使用预处理后的图像训练Faster R-CNN模型。实验表明,本文提出的新方法检测恶性腺体的F1-Score比不使用预处理的Faster R-CNN模型提高了8.4%。在整个数据集的腺体检测上,本文提出的方法的平均F1-Score比不使用预处理的Faster R-CNN模型提高了3.9%。跟之前在相同数据集上研究的方法比,本文提出的方法的F1-Score排名前十。同时,本文还比较了6种预处理方法和4种数据集增强方法的实验结果。针对单任务神经网络对腺体轮廓分割较弱的问题,本文提出了多结果融合神经网络模型,模型融合的结果包括腺体区域分割结果、腺体轮廓检测结果和前一研究中Faster R-CNN的腺体检测结果。U-net神经网络在物体轮廓分割中效果较好,因此本文采用U-net进行腺体轮廓分割。首先,针对单任务U-net神经网络对腺体区域的检测效果较差的问题,本文提出了结合腺体的组成特征,即腔体特征和细胞核壁特征,与腺体区域形成三任务交替神经网络的检测腺体区域新方法。该模型每个任务分支的损失函数是独立的,且分支参数调整有先后顺序。然后,使用单任务U-net检测腺体轮廓,并用一个简单的神经网络融合三个结果,形成最终的腺体分割结果。实验表明,在相同数据集上检测腺体区域,多任务交替模型比单任务U-net模型的F1-Score提高了9.2%。在分割腺体轮廓上,使用多任务交替模型检测腺体区域、U-net轮廓分割及Faster R-CNN目标检测结果融合的MFSN-1方法与使用U-net腺体区域及轮廓分割结果与Faster R-CNN目标检测融合的MFSN-2方法相比较F1-Score提高了0.1%,Object-level Dice提高了1.9%。同时,本文还设计了3种不同的多任务神经网络模型检测腺体区域,并进行了实验分析与比较。