La segmentation d'objets et la localisation de structures sont des étapes cruciales dans les pipelines d'analyse d'images automatisés pour les images de microscopie. Nous présentons une architecture d'apprentissage profond basée sur un réseau neuronal convolutif (CNN) pour la segmentation d'objets dans les images de microscopie. Le réseau proposé peut être utilisé pour segmenter des cellules, des noyaux et des glandes dans les images de microscopie à fluorescence et les images d'histologie après un léger ajustement des paramètres d'entrée. Le réseau s'entraîne à plusieurs résolutions de l'image d'entrée, connecte les couches intermédiaires pour une meilleure localisation et un meilleur contexte, et génère la sortie en utilisant des filtres déconvolutifs multi-résolutions. Les couches convolutionnelles supplémentaires qui contournent l'opération de max-pooling permettent au réseau de s'entraîner pour des intensités d'entrée variables et des tailles d'objets, ce qui le rend robuste aux données bruitées. Nous comparons nos résultats sur des ensembles de données publiquement disponibles et montrons que le réseau proposé surpasse les algorithmes d'apprentissage profond récents.