在临床上,组织病理学分析是评估许多复杂疾病的黄金标准,疾病的预前、预后和诊断都需要专业病理学的知识参与。细胞核的形态、染色及组织分布是肿瘤的重要组成部分,对肿瘤的诊断提供有价值的指标。然而,由于阅片任务的繁重和医生阅片的主观性,细胞核自动分割任务研究是近年来各学者专家关注的重点。但是,细胞核的充血和可能的阻塞导致的核重叠、形状变化、核内颜色不均和背景复杂性的变化,使得细胞核的自动分割仍然具有挑战性。近年来,关注到目前图像自动分割的前沿技术,深度学习,在一些问题上的性能已经超过了人眼识别的效果,并且已在生活各种应用中落地。为了克服以上的难点,本文采用了一种基于深度学习的方法来进行病理图像上的细胞核分割研究。本文的主要工作主要包括以下几点:（1）考虑到数字病理图像固有的旋转等变性,和基于编码器-解码器结构的分割模型中的浅层和深层特征之间语义鸿沟,本文提出了一种基于旋转等变多层特征聚集神经网络（REMFA-Net）的组织病理图像核分割方法。其中,为了利用旋转对称性来降低样本的复杂度,增加网络的表达能力,我们引入了旋转变卷积神经网络。（2）为了消除编码-解码器结构模型中浅层特征和深层特征之间的语义差异,本文提出了一种基于U-Net 3+的多层特征聚集策略。它包括三个部分的改进:解码器,跳跃链接和语义增强模块。具体而言,（1）放大低分辨率特征的上采样操作会引起突然的振荡,使得模型训练不稳定,并且在这个过程中会丢失一些重要的信息。因此我们设计了一个新的解码器模块,将低频特征和高频特征通过残差学习的形式进行融合,以更准确地恢复像素级预测;（2）在普通的U-Net结构中,有效局部视场受编码器中的卷积数量的限制,不能提取出精确的边界特征。本文提出了一种改进的长跳跃连接方式,在长跳跃连接中加入不断叠加的残差块,使译码阶段获得更丰富的底层特征和更大的感受野;（3）在特征提取中,连续的下采样步骤会导致信息的丢失,影响解码器恢复图像的质量。本文针对对应边缘的浅层特征,设计了一个特征增强块将浅层语义信息进行聚合,用于增强浅层特征,保证特征融合的鲁棒性。（3）本文在具有挑战性的Kumar数据集和2018 MICCAI挑战赛中发布的Mo Nu Seg数据集上评估我们的REMFA-Net,并将结果与目前最先进的方法进行比较。实验结果表明,本文的方法在组织病理图像细胞核分割任务具有较强竞争力。