各类皮肤肿瘤是全身最常见的肿瘤,眼睑作为皮肤的一部分,皮肤癌有5-9.2%发生于眼睑。眼睑组织胚胎发育来源复杂,眼睑肿瘤类型多样。良性肿瘤与恶性肿瘤形态学上较为相似,易误诊。大多数良性肿瘤只影响外观,而一些恶性肿瘤却可能造成远处转移、死亡等严重后果。病理组织学检查是临床诊断的金标准,然而中国病理医生紧缺,眼科作为一个小专科,对应方向的病理医生缺口更大。病理医生超负荷工作,某些恶性肿瘤患者无法得到及时准确的诊断,耽搁宝贵的早期治疗时间。近年来数字病理成像技术的完善普及和深度学习的快速发展让病理图像计算机辅助诊断成为研究热点,计算机辅助诊断能够克服病理医生诊断的缺点,对于提升病理诊断效率与准确率具备非常大的潜力。本论文基于眼睑良恶性肿瘤的数字病理图像利用深度学习构建计算机辅助诊断系统进行实验探究,首先实现恶性黑色素瘤、非恶性黑色素瘤二分类系统,这是基础的恶性肿瘤与非恶性肿瘤分类能力的探究。然后实现九类良恶性肿瘤分类系统,这是系统对多类相似难区分肿瘤分类准确率提升的探索。本文的主要研究工作及贡献如下:(1)针对眼睑恶性黑色素瘤、非恶性黑色素瘤二分类任务,研究提出深度学习串联机器学习框架,实现眼睑病理图像计算机辅助诊断二分类系统,采用卷积神经网络实现小滑块级别分类,采用串联的随机森林分类器实现病理图像级别分类,两者都取得超过90%的准确率。系统还实现概率热力图可视化,在数字病理图像上标出恶黑、非恶黑区域,快速辅助病理医生诊断。(2)针对模型泛化能力不强的问题,提出基于边缘检测算子的边缘提取映射数据增强方法,减缓过拟合,最高提升24.4%的准确率。颜色恒常预处理方法,解决颜色分布不同的问题,至少提升2%的准确率。(3)针对眼睑九类良恶性肿瘤分类任务,对于容易错分,模型分类准确率低的问题,提出随机选框缩放预处理方法,分类准确率提升25.7%。利用中心损失限制损失函数减少类内距离提升分类准确率,利用模型融合方法进一步提升泛化性能,patch级别分类准确率达到75.41%。