皮肤蕈样肉芽肿的诊断在临床中极易与皮肤炎症混淆从而使得患者错过最佳治疗期。本研究使用组织、块、细胞三种尺度的组织形态学特征进行融合并建立随机森林模型进行皮肤蕈样肉芽肿的自动诊断。首先,进行皮肤全扫描病理切片的组织分割并得到表皮和毛囊组织的概率热度图。本文使用SERes2Net50进行表皮、真皮、毛囊、汗腺、脂肪5种组织与背景的分类。在训练阶段,先将切片根据标记结果进行滑动窗取块（224×224×3）构建训练集与验证集,其数据规模分别为89320张、8497张。使用多分类交叉熵作为损失函数对模型进行训练,并定义平均准确率指标进行对比实验的评估。实验表明,SERes2Net50在验证集上分类平均准确率达0.96。在测试阶段,同样根据滑动窗取块（224×224×3）并将被测切片逐块送入网络进行类别预测,根据图像块的坐标进行拼接最终得到全扫描切片的分割结果。最后,将分割结果通过后处理操作得到高概率显示表皮—毛囊组织的概率热度图。其次,进行表皮层淋巴样细胞和上皮细胞的语义分割。本文提出多层Transformer编码网络（Multi Trans E）进行上皮细胞和淋巴样细胞的分割任务。模型整体为编码—解码结构,在编码层,使用20层Transformer模块堆叠作为编码器,从而进行细胞的高层语义特征提取。在解码阶段,使用2倍固定小步长进行转置卷积来使特征解码。本文使用576张（256×256×3）蕈样肉芽肿表皮组织的病理图像块和2203张Pan Nuke公开数据混合作为分割任务的数据集,根据8:2划分为训练集和验证集,最后将数据集在Multi Trans E上进行训练和验证。实验表明,上皮细胞和淋巴细胞的Dice系数为0.78和0.83,在对比实验中平均Dice系数超过了UNet++、Vi T等其它基线网络。最后,进行组织—块—细胞三个尺度的形态学特征融合并构建随机森林分类器进行自动诊断。本任务中的数据集共119张皮肤蕈样肉芽肿与扁平苔藓病理切片,其中皮肤蕈样肉芽肿77张,扁平苔藓42张。自动诊断共有三个步骤,第一个步骤是三个尺度形态学特征的提取。本文先根据第一个任务中得到的病理切片的概率热度图来提取组织层次特征,然后提出自适应细胞图算法（ACG）,进行细胞图的构建以及图特征的提取,同时计算两类细胞的临床特征（面积、面积占比）,并将图特征与细胞的临床特征作为细胞层次的特征。最后,取表皮层和真皮层交界处1000张图像块进行颜色、纹理等手工特征提取并取特征的期望值作为块层次的特征。第二个步骤是特征工程。将三个尺度的特征经过选择、降维以及去冗余后得到最优特征子集。第三个步骤是建立自动诊断模型。本文建立随机森林模型分类器,并在病理切片上进行训练和测试,其中数据按照6:4进行训练集和测试集划分。实验表明,模型的AUC指标为0.94,超过三个尺度的单独特征表现结果以及其消融实验的表现结果。