癌症是常见的恶性肿瘤之一,且近年来癌症的发病率不断上升,严重影响患病者的身心健康。病理诊断是癌症确诊的重要手段,有临床肿瘤的"金标准"之称。但是中国的病理医生数量缺口巨大,大量的病理分析任务要靠这些病理医生才能完成,造成了病理医生长期的超负荷工作,同时也耽搁了癌症患者宝贵的诊疗时间。近些年来数字病理技术的普及和计算机深度学习(DeepLearning,DL)技术的快速发展让病理计算机辅助诊断(Computer Aided Diagnosis,CAD)的实现变为了可能。病理计算机辅助诊断对提高癌症病理诊断的效率和准确性有很大的潜力。本论文在探索利用深度学习构建病理计算机辅助诊断系统的实践中,研究实现了乳腺癌病理图像分析中的若干关键技术,即细胞核和核分裂象的自动检测技术。本文的主要工作及采用的关键技术如下:首先,总结了前人在病理图像分析领域进行的研究工作,追踪了当前深度学习技术的最新进展,确定了课题要使用的方法;其次,本文基于RCNN(Region-based Convolutional Neural Networks)算法,分别针对细胞核检测和核分裂象检测这样的特定问题对算法做出了改进,最终算法在病理图像分析公开数据集上取得了突出的结果。最后,论文中还有很多研究得不够深入的问题,有待今后继续改进与完善。