Die Segmentierung von Mitochondrien aus elektronenmikroskopischen (EM) Bildern hat seit der Einführung von Deep-Learning-Methoden erhebliche Fortschritte gemacht. In diesem Artikel stellen wir zwei fortschrittliche tiefe Netzwerke, namens Res-UNet-R und Res-UNet-H, für die 3D-Segmentierung von Mitochondrien aus Ratten- und menschlichen Proben vor. Insbesondere entwerfen wir einen einfachen, aber effektiven anisotropen Faltungsblock und setzen eine mehrskalige Trainingsstrategie ein, die gemeinsam die Segmentierungsleistung erheblich verbessert. Darüber hinaus erhöhen wir die Generalisierbarkeit der trainierten Modelle auf dem Testset, indem wir eine Rauschunterdrückung als Vorverarbeitungsschritt integrieren. Bei der Large-scale 3D Mitochondria Instance Segmentation Challenge auf der ISBI 2021 erreicht unsere Methode den ersten Platz. Der Quellcode ist unter https://github.com/Limingxing00/MitoEM2021-Challenge verfügbar.