El cáncer cervical es uno de los cánceres más comunes que amenazan la vida de las mujeres, y su detección temprana es de gran importancia para la prevención y tratamiento de las enfermedades cervicales. Desde el punto de vista patológico, la segmentación precisa de las células cervicales desempeña un papel crucial en el diagnóstico del cáncer cervical. Sin embargo, la presencia frecuente de células cervicales adherentes o superpuestas en las imágenes de frotis de Papanicolaou dificulta separarlas individualmente. Actualmente, hay pocos estudios sobre la segmentación de células cervicales adherentes, y los métodos existentes comúnmente sufren de baja precisión de segmentación y procesos de diseño complejos. Para abordar los problemas mencionados, proponemos una nueva red neuronal convolucional basada en polígonos estrellados con una estructura codificador-decodificador, llamada SPCNet. El modelo logra la segmentación de células adherentes basándose en tres pasos: extracción automática de características, detección de polígonos estrellados y supresión no máxima (NMS). Concretamente, se sugiere un nuevo bloque de incrustación de atención basado en residuos (RAE) para la extracción de características de la imagen. Fusiona las características profundas de las capas convolucionales basadas en atención con las características superficiales de la imagen original a través de la conexión residual, mejorando la capacidad de la red para extraer las abundantes características de la imagen. Luego, se adopta un algoritmo de NMS adaptativo basado en polígonos (PA-NMS) para filtrar las propuestas de polígonos generadas y lograr una detección precisa de las células adherentes, permitiendo así que la red segmente completamente las instancias celulares en las imágenes de frotis de Papanicolaou. Finalmente, la efectividad de nuestro método se evalúa en tres conjuntos de datos independientes. Los extensos resultados experimentales demuestran que el método obtiene un rendimiento de segmentación superior en comparación con otros algoritmos bien establecidos.