随着科技以及社会的不断发展,医疗技术水平也是飞速提升,但是对于医学图像快速准确的分析诊断仍然是一个重大挑战。癌症,作为目前危害人类健康的主要疾病,对于其诊断还是依赖于医学专家对于病理切片图像中细胞核的数量及其不同形态所进行的分析判断。作为医学图像处理的首要步骤,对于相关图像细胞核的分割引起了更为广泛的关注。然而在早期细胞核分割的处理过程中,病理学家人工手动分割整个过程费时费力且容易受光线,染色情况等外界因素的干扰,最终导致分割结果不够准确。另外,基于传统方式进行细胞核分割由于细胞核数量与大小的不统一,细胞之间的粘连问题,细胞核图像的亮度分布不均匀等一系列问题,难以在临床上得到应用。近年来,随着计算机计算能力的不断提高和人工智能的迅速发展,深度卷积神经网络（DCNN）在图像处理中的应用已经成功地渗透到医学影像诊断中。本文在U-Net网络结构基础上,改进编解码器以及级联路径卷积结构并且引入注意力机制模块,实现了对于语义特征的充分提取。同时又在此基础上加入了用于特征融合的中间模块与侧边模块,实现了对于深层次特征的重新提取与利用并融合了更多不同层次的特征,最终实现了对于轻量级数据集中的不同组织图像细胞核的准确分割。本文主要研究工作如下:（1）本文根据目前已经存在的用于细胞核分割的网络模型的优缺点,设计了一种基于注意力机制的U-Net网络模型。该网络模型以U-Net网络模型为基础,并在编码器与跳跃连接分别加入通道注意力与空间注意力。选用了包含多组织图像的数据科学碗2018挑战赛数据集对于网络模型有效性进行验证。通过归一化,颜色变换,腐蚀膨胀等预处理操作以及各种数据增强方法,扩大了可用于训练的数据集,最终实验得到评价指标Accuracy为0.9778,Recall为0.8562,F1-score为0.8545,m Io U为0.8346,通过与各种已经存在的算法模型的上述评价指标以及最终分割结果图的多角度对比,证明了基于注意力机制的UNet网络模型的有效性。（2）针对于人体多组织器官病理图像细胞核分割任务,以及验证网络模型适用的广泛性。本文选取了MICCAI2018多器官细胞核分割挑战赛数据集,此数据集由像素大小均为1000×1000的30张训练集图片,14张测试集图片组成。通过对其采用H＆E染色图像标准化以及染色分离的预处理操作,选择了细胞核染色明显的H通道图片进行了后续网络训练。最终通过滑动窗口将每张图像提取36个256×256像素大小的patch输入网络进行训练。分割预测结果与真值掩码比较得到Accuracy,Dice以及AJI（Aggregated Jaccard Index）三项评价指标分别为0.9163,0.7871,0.5962,并与不同模型分割结果进行比较,证明了其对于人体多组织器官细胞核分割任务的适用性。（3）针对于前一模型分割结果仍然所存在的问题,本文在基于注意力机制的U-Net网络模型的基础上加入了特征融合模块。最终本文模型由加入通道注意力ECA模块的编码器,加入空间注意力attention gate模块的级联路径,解码器,以及用于特征融合的中间模块与侧边模块组成。通过实验与不同网络模型对比,最终在数据科学碗2018挑战赛数据集上评价指标分别为Accuracy 0.9795、Recall 0.8613、F1-score 0.8586、m Io U 0.8374,在MICCAI2018多器官细胞核分割挑战赛数据集评价指标均值为Accuracy 0.9202,Dice 0.8023,AJI 0.6124。通过与不同网络模型评价指标与分割结果图的对比,最终证明了本文网络模型的有效性以及具有很强的泛化性,可以实现对于多种组织图像细胞核的准确分割。