癌症是目前人类健康的主要杀手之一,每年全球有超过五百万人死于癌症。基于H&E(hematoxylin-eosin staining)苏木精-伊红染色的癌组织病理图像是病理医生诊断癌症的主要依据,其中主要参考的指标是癌细胞核的大小,形态,分布等,依据这些指标,可以帮助病理医生诊断癌症的早晚期以及严重程度。由于在H&E染色的病理图像中常常会出现例如染色模糊,染色程度不均,细胞核之间边界粘连,不同癌种细胞核形态差异大等问题,高效的细胞核分割算法可以显著的帮助病理医生减少诊断过程中的主观性,降低失误率。本文针对细胞核分割中出现的问题和难点,研究设计了一套H&E染色癌组织病理图像的细胞核分割算法。本文以全卷积神经网络为基础,在分析了一些主流方法以后,深入研究了图像染色归一化技术,图像分割深度学习方法,图像去噪等技术。使用染色归一化预处理方法减少染色过程中引入的主观问题,将预处理之后的病理图片输入本文中提出的编码器-解码器结构的全卷积神经网络Refined Residual feature network(RRFNet)。通过在编码器引入残差网络,细化提取的图像底层特征(细胞核边缘,细胞核形态等),并且设计了带有注意力机制的连接层Pass feature after squeeze and excited(PSF)模块,将编码器提取的图像信息有选择性的传递到解码器,此外在解码器端将整体信息进行细化处理提出Feature Refine(FR)模块,从而得到更加精确的细胞核边缘分割效果。后处理的部分使用图像形态学操作,进一步将分割结果去噪,最终得到精准的细胞核分割结果。论文实验结果在两个国际公开数据集Monuseg以及乳腺癌细胞核分割数据集上进行了实验分析,论文算法取得了较先进的实验结果,此外本文采用MFC技术与Opencv库完成了细胞核分割系统的设计,方便算法展示与算法落地。