乳腺癌是女性中发病率最高的癌症之一,晚期可能因癌细胞发生远处转移,出现多器官病变,威胁病人生命。基于病理图像检测淋巴结转移是乳腺癌诊断分期的关键指标,正确的分期决策又是采取针对性治疗的前提和基础。目前检测淋巴结转移主要依靠病理医生人工筛查,不仅费时费力,且诊断结果具有差异性和主观性。深度学习技术可根据病理图像判别癌症辅助医生诊断,对于提升病理诊断准确性和优化诊断流程具备非常大的潜力。本文基于深度学习针对乳腺淋巴数字病理图像转移癌的分类开展研究,在VGG(Visual Geometry Group)网络的基础上提出基于注意力机制与少参数分类器的卷积神经网络AFPCN,并优化图像处理策略与训练策略以提升模型性能,同时使用Grad-CAM可视化网络内部,增强分类结果的可解释性。最终实现了根据乳腺淋巴数字病理图像自动分类转移癌。本文的主要研究工作如下:(1)通过将色彩恒常算法与多尺度等图像处理策略结合,解决病理切片存在的染色色差与转移癌预训练易过拟合的问题。色彩恒常算法可对具有严重颜色差异的转移癌图像进行实时归一化,降低因染色试剂差异带来的负面影响。此外,采取多尺度特征提取策略与多种图像增强方法结合,增加数据集的多样性,缓解过拟合的情况。(2)通过DCSCN超分辨率网络重建乳腺淋巴转移癌图像,解决实际应用中不同数据源的数字病理图像分辨率差异大的问题。重建后的图像分辨率提升了2倍,为网络提供更多有效特征信息,提升了网络泛化性能。(3)提出一个适用于淋巴转移癌病理切片分类的AFPCN网络,解决本任务中存在的网络易过拟合、泛化性能不足等问题。该网络引入注意力机制,具备自动筛选有效特征的能力。结合自主热重启的训练方法,最终准确率比原网络的准确率提升了4.37%,同时参数量减少了68%,AUC值达到0.9928。本文的方法在乳腺淋巴转移癌Patch Camelyon病理图像数据集上取得预期效果,单模型在测试集上准确率高达0.9603,比最新的多模型集成方法提升了1.39%。通过计算机自动辨别乳腺淋巴转移癌,可为病理医生提供精确客观的评估依据且省时省力。同时,本文方法在肺癌病理数据库Lung HP上零样本学习的准确率达0.8212,表明该系统在基于病理切片的其他癌症分类任务上具有较强泛化性能。