细胞图像分割与识别是医学图像处理中的重要组成部分。医学细胞图像具有大小尺寸不一、图像颜色不均匀、细胞间易形成粘连等特点。目前已有的细胞图像分割算法对于细胞轮廓不清晰,颜色对比度低的细胞图像进行分割得到的效果并不理想,从图像中分割出精准的细胞十分困难。深度学习技术是目前机器学习研究中的热点。深度学习的目的是建立、模拟人脑进行分析学习的神经网络,它能够模仿人脑的方式来抽取数据信息特征,并在图像处理方面体现出了巨大的优势。本文研究将其应用于细胞图像分割及识别问题中。本文的主要研究工作如下:1)本文以卷积神经网络为基础,结合简单线性迭代聚类算法,提出了一种新的细胞图像分割算法。首先,利用染色校正方法对细胞图像进行预处理,提高图像的颜色对比度;然后,利用卷积神经网络获得初步分割结果;最后,再将简单线性迭代聚类获得的边界信息反馈到初分割图像上提高分割效果。提出的算法可以有效地减少图像局部信息的冗余,更准确地获得目标区域的边界位置。实验表明,本文方法与经典卷积神经网络以及传统的细胞分割算法,如阈值分割、分水岭算法相比,分割效果更好。通过定量的细胞分割结果分析,本文方法在Breast Cancer Cells数据集上的分割准确率达到了 92.72%。2)在细胞图像分割研究的基础上,针对细胞图像识别问题,本文给出了一种基于卷积神经网络结合染色校正方法和ZCA白化处理的方法。利用经过染色校正方法和ZCA白化处理后的细胞图像具有更高的对比度且数据之间相关性较低,更适合进行研究分析。通过实验结果比较,验证了该方法比一些传统的图像识别分类方法,如SVM、Softmax等更具优势,在乳腺病理学细胞图像数据集上的识别准确率达到了 95.67%。