粗标签病理图像的肿瘤智能分期是数字病理图像智能计算中难点任务之一。随着数字病理图像与深度学习技术的快速发展,基于深度学习的数字病理图像智能计算技术在组织病理学诊断中发挥出日益增长的重要作用。深度残差网络（Resnet）作为广泛应用在数字病理图像智能计算的深度学习技术,取得了很好的数字病理图像智能计算效果。然而,由于粗标签病理图像存在类间标签不均衡、同质化数据规模小、补丁图片失去标签信息等问题,当前的深度学习分类算法难以满足粗标签病理图像在肿瘤分期等多分类任务中对算法准确率和稳定性的要求。因此,提出基于深度学习算法的粗标签病理图像肿瘤智能分期模型具有重要的研究意义。为了获得更加稳定且准确的肿瘤智能分期效果,本文基于损失函数优化、注意特征融合和学习策略优化这三个方面,提出了三种新的基于Resnet的改进算法,具体内容如下:1、为解决类间标签不均衡引起的算法准确率较低的问题,本文提出了基于焦点损失函数和深度残差网络的改进算法（Resnet-FL）。该方法相较于Resnet在肿瘤智能分期的二分类、五分类任务中准确率增长了1.867%和0.634%。因此,Resnet-FL可以提升类间标签不均衡时深度学习算法准确率。2、为提升肿瘤智能分期算法在小规模数据中的分类效果,本文搭建了两种基于注意特征融合的改进算法,AFFResnet-FL和IAFFResnet-FL。这两种方法均有效提升了深度学习算法的整体准确率,以IAFFResnet-FL的效果更为突出。相较于Resnet-FL,IAFFResnet-FL在肿瘤智能分期的三种分类任务中准确率增长了4.826%、2.744%和17.293%,并且有效降低了标准差。总之,注意特征融合可以增强多尺度特征提取和学习能力,有效提升了肿瘤智能分期算法的分类效果和稳定性。3、为克服因粗标签病理图像补丁图片标签不确定性导致的算法计算效率和准确率低下的问题,本文提出了基于缩略图片的全新单级学习策略（OS-LS）,该策略大幅提升了肿瘤智能分期算法的计算效率和准确率。相较于多实例学习策略下的最好结果,OS-LS下AFFResnet-FL在三种分类任务任务中准确率提升了35.980%、28.015%、16.913%。OS-LS下IAFFResnet-FL准确率提升了35.980%、27.608%、17.971%。可知,单级学习策略可以极大提升肿瘤智能分期算法的效果。