随着医疗技术的不断进步,人们对于健康问题也愈发地关注,这也因此催生出了许多有关于医学图像处理的技术。而在整个医学组织中,细胞中的细胞核由于携带着众多基因组,根据细胞核的分割来识别不同类型的细胞核也可以提供关于细胞核的形态学信息。因此它在癌症的前期筛查和后期的分级治疗等方面都扮演着重要角色。为了进一步地对细胞图像进行分析,通常会首先对细胞核进行必要的分割操作,然而在早期的细胞核图像处理中,人工干预的分割方式耗时耗力,且由于外界环境而产生干扰,最终导致分割的效果不佳。随着计算机技术的发展,深度学习逐渐成为医学图像分析领域中较为热门的课题。本文通过对传统的卷积神经网络的分析入手,逐步创新新颖的神经网络方法,首先提出了一个包含新型卷积块的卷积神经网络,与传统的神经网络对比证实该网络在分割相隔较近的粘连细胞的任务中效果较好,但是对于细微的图像噪声和更加模糊的空洞像素仍旧无法准确预测出来。为了解决以上问题,进一步提出了一个多桥型卷积神经网络,它结合之前的研究工作提出的新结构与独特的桥型连接模块在细胞核图像分割中取得了优秀的结果。本文主要的创新研究方法如下:(1)本文受U-Net和ResNet的启发,首先提出了一个包含残差相加和多尺度卷积块的卷积神经网络,将数据进行简单的归一化、颜色转换等预处理操作,并且通过一系列的数学形态增强技术扩充训练数据集,防止数据过拟合。在整个网络输入中为了得到和输入尺度大小一致的结果,提出了端到端的平行对称设计思路,特别是通过对网络中卷积块的重新设计,在训练数据和训练参数保持一致的前提下,取得了良好的预测效果。细胞核分割结果的Jaccard指数为0.0421、F1指数为0.8389、精确度为0.9687,相较于同类型简单的一系列卷积堆积取得了良好的结果。(2)针对于先前的研究工作存在的一些方法局限性,通过进一步地理论加实验证实,针对不同网络层的特征提取能力有针对性地提出不同适应度的卷积块,同时提出的跨区域的多桥型连接模型和倒U型的学习巩固中间层,都在一定程度上加大了网络的学习能力,并在解决微弱模糊信号预测上取得了良好的结果。最终该多桥型卷积神经网络在分割细胞核图像时的结果达到:Jaccard指标为0.0384、F1值为0.8548、准确度为0.9735。特别是在处理模糊空洞的细胞核图像中,能够较清晰地预测出来,实现了比其他同类型网络更为准确的细胞核分割。