医学图像是医生对病情的了解、疾病的诊断、后续的治疗提供的依据之一。医学图像分割是根据图像中的某种特性将有用的区域进行划分的方法,它对医学图像可视化、病灶区域定位以及手术制订方案等方面都具有积极的作用。其中,基于深度学习的医学图像分割方法备受重视,U-Net表现突出,它具有网络拓扑结构简洁、训练集数据需求小等优点。但是它在分割过程中会丢失分割细节,对于复杂的图像效果不佳。本文围绕此网络进行了研究,具体的工作如下:首先在保留U-Net对称U型结构的基础上,使用了ResNet50与TransformerEncoder结合的混合编码结构,在编码过程结束后加入了DAC模块与RMP模块,用来捕捉更多抽象化特征以及保存更多的空间信息,提出了TCU-Net算法（U-Net with Transformer and Context Encoder for Image Segmentation Network）。细胞数据集下实验表明,TCU-Net网络相比U-Net网络的准确率、召回率比以及DSC分数值中分别提高了4.16%、9.01%、7.55%。其次本文对U-Net的网络结构进行了分析,把编码部分的两个卷积层替换为残差密集块,并把下采样中的最大池化结构替换成了混合降采样结构,一方面保留了前馈特征,另一方面对不同尺度大小的特征进行了提取,选取丰富的信息赋予更大的权重。细胞数据集实验结果表明,相比U-Net网络,在准确率、召回率以及DSC分数值中分别提高了4.84%、9.63%、9.51%,充分证明了本文提出模型具有一定有效性。对于粘连的细胞使用了基于距离变换的分水岭算法进行分割,效果显著。最后本文提升了研究内容的应用价值,利用STM32开发板设计了细胞采集硬件控制系统,利用深度学习算法实现了循环肿瘤细胞分割与检测。在软件系统的设计上,除了上述的功能外还实现了医生复审以及系统管理等操作功能,不仅可以提高医生的诊断效率,也提升了系统实用性。