通过使用显微镜下细胞的荧光图像，自动地分析和识别出细胞的状态，在医学图像的HCS（High-content screening）领域有着重要的意义。本文中的细胞分割先将细胞作为前景物体，实现前景与背景的分离，然后结合得到的二值化图像和荧光图像，实现粘连细胞的分离，最后得到单个的细胞区域。对细胞的识别，是指通过对细胞分割得到的单个细胞区域进行特征的统计和分析，从而让计算机自动判断出该细胞当前所处的状态。当前对于细胞分割和识别的大多数工作都是在二维的细胞图像上进行的，但是由于细胞的实际分布是一个三维的结构，二维的图像由于缺失第三维信息，导致分割的结果出现问题。在医学领域的成像设备中，获取三维的细胞图像信息已是成熟的技术，针对三维的细胞图像的分割和识别研究有着重要的意义。细胞的荧光图像有很多种，本文主要是针对细胞蛋白质分布的三维荧光图像进行分割和识别，从而自动判断哪些细胞处于活化状态。本文通过对图像处理方法的研究，针对T细胞蛋白质荧光三维图像的特点，对相关分割识别方法进行研究分析并提出改进的算法。本文研究了常用的二维图像分割算法，对其在三维图像上应用的可行性和优点进行分析和比较，最后采用的核心算法为三维空间上的分水岭算法；然后针对T细胞蛋白质荧光图像的特点，通过实验比较了常用二值化方法的优劣。由于图像的荧光噪声比较严重，常用方法都无法得到让人满意的结果。针对这些问题本文提出一个自适应的水平集细胞分割的方法，并通过实验验证该方法是有效的。直接应用分水岭算法进行分割，存在较多的过分割和漏分割的问题。本文提出利用内接球的方法获取初始分水岭标记点，再结合后处理和二次分割的方法，有效提高了分割的准确率。通过统计细胞区域内灰度值的标准差和熵等统计特征，对分割后的细胞状态进行识别，判断该细胞是否处于活化状态。