病理切片的分析结果是癌症诊断、分级和手术方案制定的重要凭据,被称为癌症诊断的“金标准”。病理医生在切片中寻找感兴趣区域,通过观察腺体形态、有丝分裂异常状况等统计相关指标,出具诊断结果。近年来,随着病理切片的数字化和深度学习技术的蓬勃发展,越来越多的研究者关注到将深度学习应用在病理图像的自动化分析上。在一张病理切片中快速准确地勾画出感兴趣区域,不仅可以减轻病理医生繁重的阅片负担、提供诊断依据,还将极大地推动临床精细化诊断的变革,缓解人均医疗资源紧缺的现状。本文对病理图像中的病灶分割和多组织多器官的细胞核分割这两个常见问题进行了研究,在调研分析了经典的分割网络和改进方案后,提出用多路径特征金字塔融合解码对不同层级的特征进行融合,充分获取病灶区域的上下文信息,并通过空间和注意力机制对特征进行筛选,设计胃癌病灶分割模型;针对相邻细胞核重叠度高,边界模糊的问题,提出使用循环残差编码的不对称编解码结构对细胞核进行分割,主要工作如下:（1）本文提出一种基于多路径特征金字塔解码的胃癌病灶分割算法,对组织级别的病灶区域分割进行深入研究。编码结构以Efficient Net作为特征提取器对胃癌病灶区域进行特征提取,在解码器中通过多个路径的特征金字塔融合网络对不同层级的特征进行提取,实现对网络的深监督,在输出时采用空间和通道注意力对多尺度的特征图进行注意力筛选,寻找最优病灶边界和语义深度,在一定程度上实现了精细化的胃癌病灶分割。（2）针对病理图像中背景复杂、边界模糊等问题,本文设计一种不对称的编码解码网络对多组织和多器官的细胞核分割问题进行研究,编码结构将循环卷积引入Res Ne Xt进行下采样,重点关注局部邻域细节,在解码器中通过紧密连接将不同层级的特征进行融合,加强特征重用,在两个数据集上的实验结果证明,本文提出的方法优于现有的分割方法。