当前癌症已经成为我国以及全世界居民死亡的重要因素,而乳腺癌更是导致女性死亡的重要疾病。利用显微镜观察病理切片的肿瘤区域进行症状分析,计算肿瘤细胞的阳性指数能给患者提供针对性的治疗方案。由于专业的病理医生数量匮乏以及医生的个人主观因素等限制条件,往往存在各组织区域识别不准确,阳性指数估算偏差较大等问题。而通过深度学习对病理切片的图像数据进行组织分割,一方面能帮助病理医生快速定位不同的组织区域,方便症状分析和阳性指数的估算;另一方常见的病理诊断辅助系统是在图像分割的基础通过细胞分割来计算阳性指数,而良好的组织分割能有效提高细胞分割准确性。但利用深度学习进行图像分割需要大量的有标注数据,而在医学领域,由于数据样本种类繁杂及标注难度高,标注数据是昂贵且耗时的。因此利用半监督学习取代全监督学习来训练模型就具有很高的现实意义,它能在少量标注数据和大量无标注数据的情况下达到不弱于全标注的效果。针对上述的问题,本文选取HE染色的乳腺癌数据集,基于半监督学习对乳腺癌病理切片的各组织区域的语义分割进行了研究。论文完成了以下工作:（1）为了探究不同分割网络和不同比例标注数据对于病理图像的分割效果,本文选取了Link Net、Unet、Trans UNet三个网络分别在乳腺癌数据集上进行实验,实验结果表明Trans UNet在少量数据下分割效果最好,在足量数据下三者具有性能相同的分割效果,Dice＿avg都达到了0.72,另外不同标注数据量影响了网络分割效果,标注数据量越多,分割网络性能越好。（2）为了解决病理图像数据标注困难的问题,本文将半监督分类的几类方法迁移到分割问题上,综合对比了自训练、一致性正则化和混合方法在乳腺组织分割的效果,实验结果表明了混合方法的性能超过其他两类方法,其在1/10有标数据下Dice＿avg达到了0.69;同时在自训练方法中研究了伪标签的后处理方式和优化函数,在一致性正则化中研究了三种不同的图像噪声,实验结果表明硬标签更适用于伪标签的后处理,交叉熵函数在分割问题上效果更佳,剪切混合噪声比高斯噪声、插值一致噪声更适用于病理图像。（3）本文提出了一种基于伪标签和一致性正则的混合算法,提高了同比例标注数据下半监督分割的效果。该算法通过交并比排序对自训练生成的伪标签进行数据选择,同时在一致性正则化算法中引入熵最小约束。实验结果表明,经过筛选后的伪标签能进一步提高分割效果,在1/10的有标数据下能将Dice＿avg提升1.3%,达到和业界最佳算法CPS一样的效果,而在其他比例的数据上有比CPS算法更优的效果,在5/10的有标数据Dice＿avg达到了0.721,取得和标注全部数据一样效果,超过其他所有的半监督分割算法。本文提出的半监督分割算法在乳腺组织的分割上表现出良好的效果,能在一定程度上解决数据标注的难题,可以迁移到其他的分割任务上,具有通用性。