背景与目的慢性肾脏疾病（Chronic kidney disease,CKD）是严重影响人类健康的疾病之一,由于目前尚无有效的药物及其他手段进行根治性治疗,给家庭、社会带来了巨大的经济负担和精神压力,因此应该及早发现、及早诊断和早期治疗。目前,肾脏病理活检是诊断慢性肾脏疾病的主要方法,通过透射电镜（Transmission electron microscopy,TEM）不仅可以观察到肾脏组织的超微结构,还可以观察到是否存在电子致密物和其具体分布的位置,结合光镜和免疫荧光,从而做出进一步的病理诊断。在病理诊断过程中,病理医生需要通过TEM图像识别肾小球基底膜及测量其厚度;计算足突数目和平均宽度;识别电子致密物及分布部位等,但是在TEM图像中肾小球基底膜、足突及电子致密物的纹理复杂,形状多种多样、并且和周围结构不容易区别等,如果仅仅只通过肉眼对TEM图像分析不仅费时而还不准确。因此我们提出,采用深度学习的方法对肾小球基底膜、足突及电子致密物进行自动分割与识别,有利于提高肾脏病理医生对慢性肾脏疾病的的诊断效率。方法按照纳入标准,收集了 326例患者的TEM图像,并对TEM图像中的肾小球基底膜、足突及电子致密物进行标注。按照9:1、9:1及8:2的比例把基底膜、足突及电子致密物图像分为训练集和测试集。（1）在研究中,我们通过PraNet算法对肾小球基底膜进行自动分割与识别;（2）对于足突的自动分割与识别,我们采用UNet3+模型;（3）我们通过PraNet算法对TEM图像中电子致密物进行自动分割与识别;最后,将模型自动分割与识别的肾小球基底膜、足突及电子致密物与人工标注进行对比,从视觉效果及Dice系数定量化评估其准确性。结果1、基于PraNet算法对肾小球基底膜的自动分割与识别中,在测试集上的平均Dice系数为0.770;2、基于UNet3+模型对足突的自动分割与识别中,在测试集上的平均Dice系数为0.792;3、基于PraNet算法对TEM图像中电子致密物的自动分割与识别中,在测试集上的平均Dice系数为0.725。4、此外,各种分割与识别模型在对基底膜、足突及电子致密物分割与识别时,每张TEM图像在不到1秒的时间内就可以完成。结论本文提出的自动分割与识别的方法,在对肾小球基底膜、足突及电子致密物的自动分割与识别中取得了较好结果,通过其精准的分割与识别为后期对肾小球基底膜厚度的测量、足突数量和平均宽度的计算及电子致密物分布的判断奠定了基础,也为肾脏病理医生对慢性肾脏疾病的诊断提供有价值的信息。