随着高通量电子显微镜成像技术的发展，使用最先进的扫描电子显微镜可以在数日内获取大量显微图像，其规模可达数万张。利用显微图像分割技术，来自不同领域的研究人员可以对微观结构开展更高分辨率和更大的体积的研究。近年来，深度学习的进步催生了新的图像处理算法，与传统图像分割方法相比，基于深度神经网络的方法可以更加有效地针对显微图像数据进行识别与分割。尽管深度学习方法已经在显微图像分割领域取得了广泛的应用，但如何充分利用有限的标注数据，实现对显微图像在不同场景下的高效、准确分割，仍是一个亟待解决的难题。

本文以深度表示方法为切入点，聚焦显微图像分割精度低和有标注数据匮乏的问题，改进了显微图像语义分割深度模型，并引入半监督分割方法以利用大量无标注数据，旨在达到更高的图像分割准确度，为显微图像分割领域提供泛化性更强的模型。本文的主要贡献和创新点如下：

第一，本文提出了一种面向显微图像分割的金字塔多尺度通道注意力模型（PmcaNet）。首先，针对多尺度信息缺失造成的显微图像分割不完整问题，使用多尺度通道注意力金字塔模块捕获不同维度的全局上下文依赖关系。其次，设计了轻量级自适应通道注意力模块，通过计算不同尺度的通道注意力，从而捕获长短距离交互信息。最后，高维通道注意力向量由多尺度注意力融合模块产生，该模块可以自适应地融合来自不同尺度的注意力向量。为了验证模型的效果，在通用显微图像分割数据集和自制的高温合金材料显微图像数据集上进行了实验。实验结果表明，与其他先进模型相比，PmcaNet可以在显微图像语义分割任务中取得有竞争力的性能表现，在多个数据集上均取得了性能提升。

第二，本文提出了一种基于多重扰动的半监督显微图像分割方法（EMmatch）。该方法针对显微图像语义分割领域像素级标注数据获取困难的问题，尝试采用特征空间扰动的方法，利用无标注数据提升模型泛化性。在数据扰动层面，该方法采用了三重数据扰动策略，并针对显微图像分割中多尺度信息缺失的问题加入了尺度变化操作。在特征扰动层面，利用非线性激活函数对主编码器的输出特征进行扰动，以提升模型处理非线性边界的能力。该方法在显微图像数据集上与其他半监督方法进行了公平对比。实验结果表明，EMmatch可以在使用少量有标注数据和大量无标注数据的情况下达到令人满意的分割效果，与其他先进方法相比均有一定的性能提升。