胎盘是胎儿与母体之间物质交换的重要器官,是人类妊娠期间,由胚胎胚膜和母体子宫内膜联合长成的母子间器官。胎盘结构复杂,而绒毛是胎盘的基本功能单位,临床上需要对胎盘的绒毛层进行组织病理分析才能具体判断胎盘功能是否异常。但是胎盘绒毛组织是复杂多变的,这给病理专家对胎盘功能性诊断带来了挑战,而且诊断过程费时繁琐,无法定量化分析各项指标,只能由经验丰富的病理专家给予病理诊断,同时由于医生使用显微镜或使用主流病理图像扫描仪,只能观察到RGB病理成像,无法得到能够反应不同组织特点的光谱图像。近年来,随着以深度学习为主的图像处理技术和多光谱成像技术的发展为显微病理的识别与分割方法研究提供了新思路。此外,与RGB彩色图像相比,多光谱图像除了提供绒毛病理的空间信息,还能够获得反映病理切片中化学组成成分的光谱信息。因此,本文为胎盘绒毛病理组织建立了精准标注的多光谱图像数据集,并基于深层卷积网络的图像处理技术对多光谱图像分割方法进行研究。本文建立了含有终末绒毛、血管、血栓三类像素级标注的胎盘绒毛显微多光谱数据集,并利用该数据集研究胎盘绒毛组织区域的多种语义分割方法。同时本文设计了针对胎盘绒毛多光谱图像的Spec Tr（Spectral Transformer）模型来识别胎盘绒毛组织的终末绒毛、血管和血栓区域,在卷积神经网络的基础上,结合自然语义处理技术中的Transformer模型同时建模空间特征和光谱全局上下文信息,并且对Transformer模型中的不同谱间信息关联性做可视化分析。为了解决谱间信息分布不同和Transformer模块得到的注意力矩阵稀疏化不足的情况,本文提出光谱归一化和注意力稀疏化方法,来改进原Transformer注意力模型,并在兼顾分割精度的同时提升模型计算效率。此外,为了验证Transformer模型建模的光谱信息对图像分割的作用,本文使用多种主流的2D与3D卷积神经网络对多光谱的胎盘绒毛图像的分割效果进行研究。实验结果表明,本文建立的胎盘绒毛显微多光谱数据集可以为胎盘绒毛病理区域的分割方法研究提供有效的基准数据集。此外,在本文的Spec Tr分割方法研究中,对比多种主流的2D和3D卷积神经网络,采用Spec Tr模型对胎盘绒毛多光谱病理图像的分割效果表现最好;其对终末绒毛、血管、血栓的区域识别Dice精度分别为0.8534、0.6514和0.6111。以上结果表明了3D卷积模块和Transformer模块有助于提升模型对胎盘绒毛多光谱图像的区域分割能力。最后,依据Transformer模块的Attention Map可视化不同光谱波段的重要性,可为光谱波段选择提供参考,同时可根据绒毛的语义分割结果,计算胎盘绒毛病理切片中终末绒毛占比等医学指标,辅助医生更高效的诊断胎盘相关疾病。