癌症是全球第二大致死因素,而且发病率呈逐年上升趋势。病理诊断是癌症诊断的“金标准”,病理图像中细胞核的大小、形态和分布与癌症的诊断、评级和预后高度相关。然而,人工勾画病理图像细胞核存在工作量大,可重复性差和经验门槛高等问题。所以,精确的自动化病理图像细胞核分割方法亟待开发。而由于标注图像稀缺,图像颜色分布不均和细胞核重叠分布等问题,病理图像细胞核分割成为一个巨大的挑战。本文在现有的分割方法的基础上,针对病理图像细胞核分割存在的一些问题,提出了创新的细胞核分割方法。本文中,我们基于多任务的学习方法,设计了双U-Net的网络结构来进行细胞核分割。针对细胞核边界难以检测的问题,双U-Net网络中的一个U-Net用于预测细胞核区域,另一个U-Net用于预测细胞核边界区域。在两个U-Net之间存在信息融合模块来进行任务间的信息交流。同时,为了使得网络更加注重细胞核边界区域,我们在解编码阶段的信息融合模块中引入注意力机制,让细胞核分割任务能充分利用细胞核边界检测任务中的信息。针对病理图像细胞核标注数据稀缺的问题,我们采用了模型不变元学习的方法来学习具有普遍适用性的特征,从而提高模型的泛化能力。实验结果表明,我们的模型具有和现有最好模型相当的表现性能。而且当训练数据下降到80%时,我们的模型的表现性能更好,说明我们的模型更适用于少训练样本的情况。同时,在领域迁移和领域泛化实验中,我们的模型在整体上比其它的对比模型的表现性能好,证明了我们的模型泛化能力更强。而消融实验也证明了我们提出的多任务元学习方法和基于注意力机制的信息融合模块的有效性。同时,在拓展实验中,我们也探索了自监督方法和多尺度输入对模型性能的影响。