自动精确分割病理图像中的细胞核在癌症诊断中起着重要作用。针对病理图像中细胞核大小差异较大从而导致细胞核分割结果不准确的问题,本文提出了一种基于Mask R-CNN的大小自适应细胞核自动分割新方法。该方法分三步,首先对病理图像进行预分割,然后通过预分割的结果把该病理图像分到预先设定好的某一类,最后使用对应类的训练好的模型对病理图像再次分割,得到最终的细胞核分割结果。其中,对应类的模型是使用分类后的训练集图像训练得到。分类是基于聚类的方法,其依据是图像中细胞核的平均大小。实验数据来源于2018 Data Science Bowl（2018 DSB）挑战数据集,该数据集包含一个训练数据集和两个测试数据集。通过与Mask R-CNN、U-Net以及最新细胞核分割方法比较,实验结果证明,该方法都优于这些方法,其DSB-Score的值分别为0.471和0.580,F1-Score的平均值分别为0.780和0.864。该结果虽然比基于DSB挑战数据集所提出的方法的最好结果差,但本文提出的方法更易于实现,且其训练所需的数据仅来源于DSB训练数据集。为了验证提出方法在新数据集上的有效性,还与Mask R-CNN在Nuclei Counting100数据集上的人工计数结果比较,实验结果表明该方法优于Mask R-CNN,其差值平均数为108。尽管前一项研究的结果取得不错的效果,但是对于具有重叠的细胞核,且重叠区域较大的细胞核的分割效果较差。针对该问题,本文首先提出了基于细胞核中心区域和轮廓感知的多任务模型,但该模型计数结果不理想。因此为了改进上述方法,提出了基于分类的细胞核的计数新方法。该方法是在细胞核分类分割的基础上再次训练新的细胞核中心区域检测模型。本文首先使用欧式距离转换的方式对分割结果进行距离转换,然后使用对应类的中心区域检测模型进行检测,得到该距离转换图中的中心区域,从而实现对重叠细胞核的计数。训练模型时用到的细胞核中心区域,是通过固定阈值在训练图像的距离转换图中获取。跟本文在前一个研究中提出的方法、Mask R-CNN方法和最新的方法在2018 DSB数据集上比较,实验结果显示本文提出的方法获得的计数结果,与真实结果之间的差值平均数最小,分别是15.26和6.99。该方法与Mask R-CNN及前一个研究中提出的方法在Nuclei Counting100数据集上比较的结果表明,该方法的差值平均数为119.22,优于Mask R-CNN,但低于前一个研究的方法。该方法的R平方值为0.6499,与前一个研究中的方法相近,但要明显优于Mask R-CNN。本文的两个研究内容所提出的方法,在细胞核分割和计数上都有较好的结果,尤其是对于细胞核大小分布差异较大的图像。同时,该方法对于检测大小差异较大的目标的检测,或者形态差异较大的目标的检测具有较好的借鉴意义。