由于不同的生活环境和习惯的原因,癌症,作为恶性肿瘤的一种,已经严重损害了人们的身心健康和生活质量。乳腺癌作为女性最常见的肿瘤,同时也是女性最直接的安全隐患。病理诊断把肉眼可见的器官拓展到镜下观察的细胞,已经被广泛认为是临床诊断的“金标准”。但是病理图像数据量巨大,专业性强。人工标注十分耗时并且带有很大的主观随机性。因而,开发计算机辅助病理诊断算法是一项重要的工作。近些年来,随着卷积神经网络在自然图像处理上取得的巨大成功,这激发了大量研究者使用深度学习技术去开发计算机辅助的病理诊断算法。但是,缺乏公开可用带标注的数据已经被认为是将深度学习技术应用到生物医学领域最主要的挑战。准确率能被临床诊断接受的计算机辅助诊断算法还需进一步发展。本文就当前病理图像研究中最具挑战性的应用:“乳腺癌病理图像有丝分裂细胞检测”,分析了当前病理图像计算机辅助诊断的特点和问题,尝试使用多种深度学习和机器学习技术来实现高效地病理图像细胞的检测流程。本文的主要工作和提出的主要算法如下:（1）分析了以往有丝分裂细胞检测算法存在过高的假阴性和假阳性的原因,提出了结合多尺度分类网络和相似度距离预测网络的两阶段细胞检测算法。（2）针对两阶段细胞检测算法中“模仿者”细胞的局限性和传统生成对抗网络存在的弊端。引入三元组损失和多样性损失到原始的损失函数中。利用生成的模仿者数据,增强了原始两阶段细胞检测模型的能力。（3）在公开的数据集中验证了本文的算法,和最先进的算法相比,本文提出的算法获得了最高的召回率得分和相近的F得分。