近年来,随着“智能医疗诊断系统”的概念被提出,相关研究不断深入。病理诊断作为癌症诊断的“金标准”,对癌症的最终诊断起到决定性作用。但是病理科医生的培养周期较长,人才缺口巨大,另一方面,病理切片的“查片看片”工作较为繁琐、耗时耗力且主观性较强,因此病理智能诊断系统的开发有较高的实践意义和应用前景。核分裂象数是判断胃肠道间质瘤恶化潜能的重要指标,因此如何自动检测其中的核分裂象并计数尤为重要。本文主要展开对胃肠道间质瘤中核分裂象检测方法的研究,主要工作如下:1)为便于医生进行核分裂象标注,本文首先基于Python语言和QT框架开发了一款针对胃肠道间质瘤图像进行核分裂象标注的工具,实现了病理图像的显示、标注和输出等功能。然后基于胃肠道间质瘤病理切片图像数据和相应的核分裂象标注,本文构建了胃肠道间质瘤核分裂象检测数据集以应用于核分裂象检测研究。2)根据核分裂象检测任务的特点,基于深度学习算法构建了特征提取网络Mito Net,并将之分别应用到一阶目标检测模型和二阶目标检测模型中,实现了对胃肠道间质瘤图像中核分裂象的检测。然后本文对比了多种目标检测模型,结果表明MitoNet具有更优的效果,同时结果说明二阶目标检测模型在核分裂象检测任务上的效果相较于一阶目标检测模型更好。3)针对病理图像研究中的染色差异问题,尝试了多种方法以降低该问题产生的负面影响。本文将域自适应方法引入到染色差异问题的解决中,并且和传统染色均一化算法及色调-饱和度-明度数据增强的效果进行了对比,证明了域自适应方法的有效性。