Objektsegmentierung und Strukturlokalisierung sind wichtige Schritte in automatisierten Bildanalysepipelines für Mikroskopbilder. Wir präsentieren eine auf konvolutorischen Neuronalen Netzen (CNN) basierende Tiefenlernarchitektur zur Segmentierung von Objekten in Mikroskopbildern. Das vorgeschlagene Netzwerk kann nach einer leichten Anpassung der Eingabeparameter verwendet werden, um Zellen, Kerne und Drüsen in Fluoreszenzmikroskopie- und Histologiebildern zu segmentieren. Das Netzwerk wird an mehreren Auflösungen des Eingangsbildes trainiert, verbindet die Zwischenschichten für eine bessere Lokalisierung und Kontextualisierung und erzeugt die Ausgabe mit Hilfe von Multi-Auflösungsdekonvolutionfiltern. Die zusätzlichen konvolutiven Schichten, die den Max-Pooling-Vorgang umgehen, ermöglichen es dem Netzwerk, für variable Eingangsintensitäten und Objektgrößen trainiert zu werden und machen es robust gegenüber verrauschten Daten. Wir vergleichen unsere Ergebnisse anhand öffentlich verfügbarer Datensätze und zeigen, dass das vorgeschlagene Netzwerk jüngste Tiefenlernalgorithmen übertrifft.