癌症的分级这一领域一直是研究的热点和难点。传统的癌症分级依靠不同的预定义的手工特征,缺乏足够的泛化能力和鲁棒性。随着深度学习发展,越来越多的医学图像处理任务都可以使用卷积神经网络来很好的解决。跟传统的方法相比,卷积神经网络不仅可以从数据中自动学习有意义的特征,还可以减少算法的实现时间,同时保证更高的诊断效率和准确度。本文基于深度学习算法研究了癌症尤其是结直肠癌的分级算法,本文主要工作如下:（1）数字病理组织图片是癌症诊断和分级的重要材料,卷积神经网络在很多图像分类任务上的最好的模型,但是,考虑到计算资源限制,直接将有着十亿像素的病理组织图输入到卷积神经网络中对进行分级是不现实的。因此常用的方法是将整幅图像分成补丁块,然后把每一个补丁输入到卷积神经网络中,但不是所有的补丁块对于癌症分级都可以起到作用;此外,卷积神经网络在分类任务上有着卓越表现,但是很多预训练模型都是在自然图像上的,神经架构搜索算法可以实现自动搜索,搭建和训练面向具体问题的网络。受到以上两点的启发,本文提出了基于显著补丁块的神经架构搜索用于整幅结直肠癌病理图片的分级,本文提出的框架首先使用经典的分类网络从整幅图中抽取出显著补丁块,然后使用神经架构搜索算法搜索补丁级别分级的网络,最终再融合这些补丁级别的预测结果实现整幅癌症组织图的分级。本文在结直肠癌数据集上的实验结果表明,与其他的方法相比,本文提出的方法可获得更准确的分级结果。（2）基于显著补丁块的神经架构搜索用于整幅结直肠癌病理图片分级的方法对输入图像的分辨率有着明确地限制且对图像的上下文信息没有充分利用。针对以上问题,本文将在计算机视觉领域取得优异成果的Transformer应用到结直肠癌分级任务上进行改善。虽然,受限于硬件设备,本文最终只把Transformer作为补丁级别的分类器。但是,本文在结直肠癌数据集以及肺癌数据集上进行了大量实验,实验结果表明,在不考虑参数量过大这一问题的条件下,Transformer的引入确实提高了算法的精度。本文主要探究了深度学习在结直肠癌分级上的应用,并提出了基于显著区域的神经架构搜索分级方法,取得了优异的结果。针对输入图像分辨率受限问题,本文尝试使用Transformer来进行改进。此外,本文对以上方法做了丰富的对比试验以及细致的分析,验证了本文提出的分级方法的有效性以及实用性。