病理诊断是癌症诊断的重要依据和“金标准”。病理图像分析是病理医生进行病理诊断的主要手段,临床上主要通过病理医生在显微镜下用肉眼观察并根据经验做出判断,判读结果主观性强,且临床误诊率高。近年来,随着深度学习的不断发展,推动了基于深度学习的病理图像自动分析技术日益进步,有效提高了病理诊断的客观性与准确性。本文针对胃癌和白血病两类癌症的临床病理诊断,在三个病理数据集上,根据不同的临床需求构建了相应的自动分析算法。针对弱标注胃癌病理切片分割的任务。首先,本文根据数据集的特点,用阈值筛选的方法,减少数据集中假阴性数据对于模型训练的影响;然后基于FPN以及ASPP模块构建FPA-Net模型,通过在多尺度特征图信息的基础上结合不同大小感受野信息,实现对癌症区域的分割。FPA-Net相比基础网络FPN,平均Dice系数提高了1.41%。针对胃部全视野数字病理切片分析的任务。其一,对于图像中病灶区域的分割,本文继续使用FPA-Net模型;其二,对于分割区域的进一步分类,本文构建CSResNet模型,通过结合通道和空间两个维度的注意力信息,提升模型的分类效果。CSResNet 相比基础网络 ResNet,评价指标 Accuracy、Precision、Recall、F1 Score 分别提高了 4.01%、4.27%、1.82%和 2.99%。针对急性B淋巴白血病细胞显微图像分类的任务。本文构建SDD-Net模型,利用SD-Layer以及DCT,使模型能够结合显微图像中染色剂吸收量以及染色剂吸收量在频率域中的信息,对显微图像中的细胞进行识别。对于评价指标Accuracy与Weighted F1 Score,SDD-Net模型与对比实验中其他模型相比都达到了最高,分别是89.81%和89.64%。