长期以来,癌病在全球内严重危害人体健康,其发生率和致死率一直居高不下。在实际临床治疗中,组织病理学检验始终是治疗肿瘤最直接、准确的。但是,组织病理图像诊断需要病理学家在高倍率下观察细胞的结构变换,这要求病理学家具有极高的水平,国内的高水平的病理学家极度匮乏。近年来,人工智能技术在医学影像领域的许多方面取得了惊人的成就,组织病理图像的智能诊断也取得了巨大进步。现有的一些研究通常依赖于病理学家对病患区域进行像素级标注,但是,通常情况下获取像素级注释存在各种各样的的限制,这严重影响了数字病理图像智能化分析的发展。为了解决这一问题,现有的方法通常利用弱监督多实例学习（Multiple Instance Learning,MIL）方法对数字病理图像进行分类。虽然MIL算法在数字病理图像上得到了广泛的应用,但是依然存在一些待解决的问题。首先,在将数字病理图裁剪为图块之后,需要一个特征提取器来降低维度。通常,特征提取器是在Image Net（自然图像数据集）上预训练的。众所周知,自然图像和组织病理学图像之间存在显着差异,这会导致特征提取器难以提取判别性特征,降低下游分类任务的性能。其次,传统的MIL方法假设数字病理图像中的所有图块都是独立的,从而忽略了它们之间的潜在关系。再次,数字病理图像包含不同分辨率的图像,如何高效融合不同分辨率的信息也是数字病理图像分类任务中的重要工作。为了解决上述挑战,本文提出一种基于动量对比学习的数字病理图像弱监督分类框架,具体来说主要的工作及创新点如下所示:（1）在特征提取方面,基于数字病理图分辨率高、标注信息难获取等特点,论文提出了使用对比学习来训练数字病理图像的特征提取器。与传统方法使用在Image Net上预训练的特征提取器相比,对比学习训练的特征提取器能够提取更加具有判别性的特征并且能够有效过滤数字病理图像染色不均给模型带来的影响。（2）在分类算法方面,针对传统基于MIL对数字病理图像进行分类的方法丢失空间结构信息的问题。本文提出了一种双分支的分类方法,方法通过Transformer来捕获数字病理图像的全局表示,通过卷积神经网络来提取数字病理图像的局部特征,并以交互的方式进行融合,最大程度的捕获了数字病理图像的局部和全局信息。（3）在多尺度信息融合方面,为了更够获取数字病理图更加全面的描述,提出了一种基于金字塔级联策略的多尺度信息融合方法,有效的捕获了不同尺度下不同级别的纹理信息,从而进一步提高了模型的准确性。