在现有肿瘤医学临床诊断中,病理学诊断是最直观、确切的金标准。传统病理医生的人工镜下阅片方式不仅容易受主观经验的影响,且因病理图像数据量而导致耗时耗力。随着数字病理成像技术的成熟,目前全景数字病理逐渐成为临床病理诊断重要工具。然而,全景数字组织病理图像具有高分辨率、大尺度和复杂性等特点,因此,如何实现病理切片图像全自动处理和智能分析是依然是一个技术挑战难题。依靠人工提取和分析特征的传统机器学习算法在处理超大尺度像素的病理图像来说存在非常困难且耗费大量的人力和物力,无法满足实际临床应用需求。虽然卷积神经网络算法在特征自动提取和计算效率上提高,在医学影像分析得到了广泛应用,然而如何克服上述全景病理的计算分析的问题依然存在。为解决上述难题,本论文通过应用卷积神经网络的方法对组织病理图像的处理进行了较为深入的研究和验证:研究全景数字组织病理图像中感兴趣区域的快速检测算法;从临床实际设计更具聚焦效率与解释性的分类算法;分析验证卷积神经网络的临床应用场景和价值。基于病理图像尺寸较大、信息量丰富、分层存储等特性,论文首先提出了一种基于卷积神经网络的快速检测病理图像感兴趣区域的方法。与直接进行分割的方法需要比较精细的轮廓标签不同,本论文的方法只需图像的类别标签即可完成模型的训练,这一方法相比于直接分割方法更简单、快速。其次,在分类算法方面,与传统方法采用单一图像尺度的病理图像进行分析不同,论文通过结合临床实际诊断的步骤和相关的理论,提出了一种基于注意力机制的深度多尺度特征的卷积神经网络的分类方法;方法通过对不同的尺度特征学习不同的权重比例,而后对多个尺度的特征进行融合后学习最终以实现分类;算法的结果统计也论证了本研究方法的可行性。最后,在实际分类诊断上面,本文通过应用卷积神经网络的方法,对临床的组织病理图像分类问题进行了应用研究,并将算法结果与临床病理医生进行深入对比分析,卷积网络模型取得了平均准确度为0.905的结果。