染色标本的组织病理学分析对癌症诊断、治疗和临床预后至关重要。然而,当下的病理诊断方式面临着专业病理分析师缺少、诊断易受主观因素影响等问题。人工智能（AI）可以有效地解决当前病理诊断领域所存在的问题,实现人工智能与数字病理学的结合已成为该领域的趋势。利用AI自动识别和量化病理图像中的肿瘤区域,引导病理学家做出可靠的诊断,已成为数字病理学研究的新目标。目前,监督学习方法是最有效的解决方案之一,但针对病理图像的AI分析任务通常需要像素级别的标注,即所有数据都需要专业人员手工进行标注,其中存在着一些问题,例如费力、繁琐且易出错。鉴于目前用于病理诊断的人工智能一直受到带标注数据源的限制,本论文依托高光谱成像技术研究自动生成高质量精标注病理图像数据集的方法。在图像质量方面,考虑到低质量的图像不仅会造成病理学家的误诊断,也会影响各种深度学习模型的识别效果。因此,有必要在提供标注的同时尽可能地提供高质量的图像。本文以图像去模糊任务为切入点,提出了深度残差傅里叶变换（Deep RFT）网络。实验结果表明,Deep RFT在通过自主研发的病理成像系统采集的病理散焦数据集和公开数据集上的表现均优于现有网络,该网络为高质量数据集的建立和低质量病理图像诊断提供了算法上的有力支持。在标注生成方面,本文利用细胞角蛋白（CAM5.2）对于肿瘤区域的标记能力和CAM5.2染色区域与苏木精-伊红（H＆E）染色区域在光谱维度的差异性完成了针对不同肿瘤样本的自动化精确标注,并借助深度学习将CAM5.2与H＆E双重染色肿瘤图像转换为目前更为常见与经济的标准H＆E虚拟染色图像。在肿瘤区域的自动标注方面,本文提出使用梯度提升决策树（GBDT）和前后景分割Grab Cut算法利用CAM5.2与H＆E双重染色显微高光谱肿瘤图像的光谱信息和空间信息得到肿瘤样本的自动化精确分割标注。同时,使用循环一致生成对抗网络（Cycle GAN）将CAM5.2与H＆E双重染色显微高光谱伪彩色图像转换为标准H＆E虚拟染色图像。最终实现了带有自动生成的精标注高质量H＆E虚拟染色病理图像数据集建立。本文所提出的方法可以为自动精标注病理图像数据集的建立提供一种新的思路,有望解决人工智能病理影像分析缺少高质量数据源的问题。