在现代医学中,癌症作为掠夺人类生命的重要“元凶”之一,一直都备受关注。病理切片在癌症的诊断、治疗及预后过程中一直都发挥着重要的作用。医生通过观察病理切片中细胞的形态、位置和数量等特征可以对病情发展做出准确的评估。然而,病理图像本身包含复杂的组织环境和形态各异的组织细胞,病理医生在对图像中的细胞进行分析和判别时需要消耗巨大的时间和劳动成本。因此,实现计算机辅助检测病理图像中的细胞成为一个急需解决的问题。基于以上迫切需求,许多学者展开了病理图像分析方面的研究,并且已经取得了显著的成果。但是,这些成果都是建立在大量的学习样本之上的。深度学习是以海量的研究数据为前提的,一个表现良好的模型需要充足的标注数据作为支撑。相比于自然图像,病理图像中的细胞属于分布密集且尺度较小的检测目标,因此对细胞进行手工标注是一件非常困难的事情,在这过程中,不仅需要认真细致的标注手法,而且还需要专业的病理学知识。所以,标注完整的病理图像数据集往往不易获取。针对以上数据不足的问题,本文从小样本学习的角度出发,分别从数据和模型两个方面提出了相应的改进方案,以此提升模型在拥有少量标注信息情况下的表现。本文的主要研究内容如下:1.虽然标注完整的病理图像数据集难以获取,但是收集大量未标注的原始病理切片并不困难。基于此现实情况,本文将大量无标注图像加入到模型的学习过程中,通过预训练模型为无标注图像生成对应的伪标注,从而扩展训练数据集,使模型学习更丰富的细胞形态特征和分布特征。在生成伪标注时,本文采用了自适应阈值和细胞计数两种方法分别去除了病理图像中由于复杂的组织环境而产生的背景噪声,确保生成的伪标注都具有较高的置信度。这两种伪标注方法分别从不同的角度选择伪标注结果,基于自适应阈值的伪标注方法通过量化模型不确定性得到自适应的除噪阈值,该阈值被用于去除背景环境中的噪声因素,避免在背景区域生成错误的伪标注;而基于细胞计数的伪标注方法则在具有最高响应值的区域生成适当数量的伪标注,确保伪标注的准确性。在这两种伪标注方法中,自适应阈值与伪标注的个数都可以根据无标注图像中不同的细胞分布情况进行适当的调整,从而得到最准确的伪标注结果。同时,将伪标注用于模型再训练时,对无标注图像的特征映射进行了数据蒸馏,牺牲了少量低置信度的伪标注信息,从而保证了参与模型学习的数据的可靠性。2.针对病理图像中细胞分布密集甚至彼此重叠导致细胞识别困难的问题,本文从模型改进的角度提出了基于多任务学习的细胞检测模型。在多任务学习中,本文将细胞检测和细胞计数两个相关的学习任务整合到同一个端到端模型中,细胞检测与细胞计数共享同一个特征提取模块,通过多任务学习的方式实现特征共享。在学习过程中,细胞计数作为辅助任务可以为细胞检测任务提供细胞分布和细胞数量的全局特征,从而约束特征映射中的细胞数量,缓解因细胞重叠导致的识别错误,帮助细胞检测网络更好地定位细胞中心,使得模型检测结果更加准确。此外,多任务学习不仅能够提升细胞检测的效果,还可以通过共同学习的方式加快模型的收敛速度。本文将以上方法在三个不同组织不同染色的数据集上进行了实验验证,结果显示,加入大量无标注图像参与训练的模型检测效果相比于只利用少量标注数据进行预训练的模型具有明显的提升,而且该学习方法在三个数据集上都具有良好的适用性。此外,本文还比较了单任务学习（仅有细胞检测任务）与多任务学习的实验结果,在多数情况下,多任务学习的模型表现要优于单任务学习。而且,与其他半监督学习方法相比,本文的伪标注算法也具有优越的表现。