白细胞图像分割是实现白细胞分类计数的关键步骤，可以为临床诊疗和病理学研究提供精确的定量分析结果，具有十分重要的理论意义和实用价值。对于不同的白细胞图像，不仅其成像环境和染色条件是不一致的，外周血样本也是来自不同的个体的，这种差异称作异源性。现有的有监督学习与无监督学习方法只解决了同源的白细胞图像分割问题，对异源的白细胞图像的适应性不强。　　为了提高对具有异源性的快速染色的白细胞图像的鲁棒性，论文结合无监督学习无需训练样本与有监督学习对同源样本具有高预测精度的优点，提出了自学习的白细胞分割算法。论文的主要研究工作可归纳为以下几个方面：　　首先，在现有自底向上和自顶向下的视觉注意模型的研究基础上，提出了一种自学习的自底向上与自顶向下的白细胞检测模型。通过引入一种经典的自底向上显著图，介绍了一种自底向上的背景抑制方法，获取了所有可能包含白细胞粘连和干扰的注意窗口。为了得到更精确的白细胞注意窗口，还介绍了一种自学习的自顶向下的干扰抑制方法。利用无监督的显著目标分割结果作为有监督学习的输入，通过学习得到了自顶向下的显著图，进而实现白细胞的精确定位。在具有复杂场景的快速染色的白细胞图像上的实验结果表明，自学习的自顶向下的细胞检测模型有效提高了细胞定位的精度。　　接着，提出了一种无监督的白细胞粗分割方法。无监督的白细胞粗分割方法仅利用细胞呈类圆形的目标先验，通过颜色聚类和凹点配对分割，逐步排除背景与粘连干扰，有效保留了完整的白细胞区域的弱边缘信息。与现有的基于无监督学习的分割方法为追求分割精度而利用大量的白细胞知识不同，无监督的白细胞粗分割方法仅利用了最少的目标知识约束，因而提高了算法对异源的白细胞图像分割的鲁棒性。　　最后，提出了一种自学习的白细胞精分割方法。该方法将无监督的白细胞粗分割结果作为训练样本标记，通过具有可分性的颜色特征提取和有效的整群抽样策略，实现了快速、有效的有监督学习，并最终利用学习到的分类模型对当前细胞注意窗口子图内的所有像素分类，实现更精确的白细胞分割。两种截然不同的成像和染色条件获取的白细胞图像数据库上的对比实验结果表明，自学习的白细胞精分割方法具有更好的实时性、精确性与鲁棒性。