随着癌症的综合发病率越来越高,越来越多的癌症患者遭受着癌症带来的并发症。病理诊断是癌症诊断的金标准,临床医生通过观察病理图像来得出诊断结果。病理图像蕴含着大量的特征信息,这些特征信息需要计算机辅助诊断系统来完成分析,拥有极高价值的临床意义,为临床决策诊断提供了强有力的依据。计算机辅助诊断系统可以快速地对数字病理图像作自动化分析,极大程度上减少了诊断时间和减轻了临床医生的工作负担。但是,现有大多数病理图像处理方法仍需要较强的数据标注信息,而病理图像标注信息的获取又面临着专业性要求高、耗时和缺少配对图像的问题。因此,本文希望通过自监督和弱监督的方法来减少模型对标注的需求,具体将从以下两个在病理图像处理中常见的任务出发。第一,由于临床机构对于病理图像的制备有着不同规范,造成病理图像之间存在颜色差异。针对病理图像颜色差异和颜色标注获取难的问题,本文设计了一种基于自监督结构保留的病理图像颜色标准化算法。本文以保护图像的结构信息和防止图像形变为出发点,通过对原图像的结构图作重新染色的方式实现了病理图像颜色标准化,同时以自监督的训练方式确保了算法可以应用到任意的数据集中。在性能上,本文提出的算法要优于所比较的颜色标准化方法。第二,全监督分割算法需要病理医生在病理图像中勾画出像素级标注,这种数据标注工作无疑是困难的。现有的弱监督分割算法通常是分步训练的,一定程度上增加了算法的复杂度。针对像素级标注工作的困难和分步训练的问题,本文设计了一种基于弱监督多任务特征交互的病理组织分割算法,利用图像级标注信息生成像素级标注,通过分类网络与分割网络的特征交互,实现了病理图像组织分割性能的提升。算法在肺癌数据做了验证,从最后的分割结果来看,本文提出的算法表现出了较为优异的性能。本文提出的算法可以应用到临床应用中,为临床医生提供快速筛查癌症的工具,并减少标注工具量。