在慢性肾病的诊断过程中,病理医师首先需要定位感兴趣区域（肾小球、肾小管、小血管）,再判断感兴趣区域中是否发生病变。然而,肾脏病理切片中感兴趣区域位置不固定且数量繁多,病理医师需要频繁放大缩小光学显微镜的倍数去寻找感兴趣区域的位置,耗时久易漏诊。且病理医师对感兴趣区域尺寸的分析停留在利用其经验进行目测判断,缺乏对某些疾病的定量分析。另一方面,肾脏病理图像有着分辨率极高、细粒度细节丰富的特点,且目前的算法有着运行速度慢、精度不够高的问题,无法满足临床需要。因此目前急需一种高效的人工智能方法去辅助医生快速定位感兴趣区域并对其进行尺寸的自动测定。针对以上问题,本文构建了一个在高分辨率全视野切片中高效且无压缩的肾脏病理感兴趣区域分割模型。通过模拟病理医师寻找感兴趣区域的方法,该模型分为两个阶段,第一个阶段构造了感兴趣区域检测器（ROI Object Detector,ROD）对肾脏病理中的感兴趣区域进行矩形框级检测,完成初步定位。ROD在训练阶段采用将原图切分为多个小图构建数据集,之后构建单阶段目标检测网络进行快速的模型训练,在测试阶段提出动态尺度评估方法对原图进行直接测试。第二个阶段利用第一个阶段的定位结果,在检测框内构造显著性分割数据集,对感兴趣区域进行像素级别的分割,还原至原图中完成肾脏病理感兴趣区域的分割。另外,本文设计算法流程将分割后的感兴趣区域进行了尺寸的自动测量。本研究收集了1204例病人的肾脏病理全视野切片并将其进行数据标注以训练和测试模型。在检测阶段ROD对感兴趣区域识别的1F值达到0.981,识别速度达到每张切片8.58秒。在分割阶段平均DICE系数达到0.970。实验证明本文提出的算法具有较好的性能以及较快的运行速度可以满足临床需求,可以辅助医生快速定位肾脏病理图像的感兴趣区域极大程度的减轻他们的工作量。感兴趣区域尺寸的定量分析使得某些肾脏疾病可以进行定量化,为后续尺寸与疾病的相关性分析奠定了基础,从而对计量生物学、肾脏病理学的发展有着促进作用。