深度学习是近些年来发展最迅速的技术之一,以深度学习为基础的各类人工智能技术已经融入了生活的每一个角落。将深度学习应用于医学图像领域,实现计算机的辅助诊断,不仅可以提高医生的诊断效率还可以保证其诊断的准确率。本文以胃部活体组织病理图像作为研究对象,在分析传统图像处理技术和深度学习理论的基础上,结合病理图像的特点,对胃癌病理图像的识别与分割技术进行了研究。本文的主要研究内容如下:(1)实现了基于迁移学习的胃癌病理图像识别。本文分析了深度学习、图像处理等相关技术优缺点,提出使用迁移学习来完成对网络的预训练以及初始化,通过与未进行预训练的同一模型进行结果的对比与分析,实验表明基于迁移学习的识别算法在准确率上要远远高于未进行迁移的算法。其中,基于迁移学习的Res Net-50网络分别在训练集和测试集上达到了98.7%和95.1%的识别准确率。(2)实现了两种针对癌组织细胞的分割算法:基于卷积神经网络(CNNs)的分割算法和基于U-Net的分割算法。基于CNNs的算法是在研究总结普通图像识别技术的基础上,提出将图像等分成若干网格,对每个网格进行单独的分类,最后将所有分类结果汇总以达到分割的效果。该算法最终的性能表现较差,因此本文还提出使用全卷积神经网络模型(FCNs)来实现对癌组织轮廓的分割,但考虑到普通FCNs对于实现像素级别的分割性能较差,最终选用U-Net这一改进的FCNs模型来实现分割任务。从实验结果来看,基于U-Net网络的算法分割分割准确率达到了79.91%,具有较高的分割效果。