随着癌症发病人数的逐年上升,利用计算机辅助诊断系统帮助医生判断细胞是否发生癌变具有重要意义。医学细胞图像分割是计算机辅助诊断系统中的重要组成部分之一,由于细胞图像中存在细胞核与图像背景对比度低、细胞核形态差异较大、细胞核之间互相重叠以及图像背景较为复杂等问题,使得细胞核的精确分割成为一大难题。因此本文提出一种带有多尺度特征提取模块和双解码器的D2U-Net,并与分水岭算法相结合,实现细胞核的精确分割。针对细胞核分割问题,提出一种带有双解码器的D2U-Net。该网络以U-Net作为基础网络并引入多尺度特征提取模块和核中心预测分支,其中多尺度特征提取模块提取不同尺度和更深层次的图像特征,核中心预测分支对分割细胞核的主分支起辅助作用,使主分支更加精确地分割细胞核。在宫颈细胞数据集和Mo Nu Seg数据集上的实验结果表明D2U-Net是有效的,并且D2U-Net比U-Net及其变体分割性能更好。针对数据集中细胞核及核中心在图像中所占区域较小问题,提出一种混合损失函数。该损失函数由Dice损失函数和BCE损失函数构成,通过调节两者在混合损失函数中的占比,从而消除数据集样本中正负数据占比不平衡带来的影响。实验结果表明,混合损失函数比Dice损失函数和BCE损失函数在Dice、Precision和Recall上的得分均有大幅提高。针对重叠细胞核难以分割的问题,提出一种基于分水岭算法的后处理分割方法。D2U-Net预测的核中心以及阈值分割提取的核中心分别作为分水岭算法的标记点,并进行两次分水岭变换,将两次重叠细胞核分割结果与D2U-Net的细胞核分割结果进行融合。实验结果表明,一次、二次分水岭变换以及求取核中心的方法能有效地分割重叠的细胞核,且D2U-Net与后处理结合的分割方法在AJI、Dice和PQ上的得分高于目前大多数方法,分割效果良好。