通过观察显微镜下的细胞组织结构和病变特征来进行的病理检查（Pathological examinations）是大多数疾病诊断的“金标准”,很多疾病的最终诊断都依赖于病理形态学检查的分析结果。但传统的病理学诊断和稀缺的病理医生资源已经无法满足日益增长的病理诊断需求,这种矛盾也成为了我国病理学发展停滞不前的重要因素。因此,若能通过大数据和人工智能技术对数字病理图像进行细胞检测,将可以为病理医生的诊断分析提供辅助和参考并做出快速、准确和非主观的诊断结果,从而提高病理诊断的准确率和效率,弥补病理医生不足的问题来缓解基层医院临床的病理诊断需求。随着数字病理学的发展,利用人工智能对数字病理图像进行细胞检测成为了研究热点,但由于数字病理图像存在多尺度细胞实例、前景背景样本不平衡和细胞粘连等问题,导致模型的准确度和检测效果无法达到应用于病理学的临床水平。针对上述问题,本文提出了两种新的数字病理图像细胞检测方法,并在某三甲医院真实临床数据集上验证所提方法的检测效果,最后设计并实现了数字病理图像辅助诊断系统。本文的研究内容主要分为以下三个方面:（1）提出了一种基于样本权重的自适应锚点区域建议网络的细胞检测方法针对数字病理图像中多尺度细胞实例和前景背景样本不平衡的问题,提出了一种基于样本权重的自适应锚点区域建议网络（Sample Weight Learning and Adaptive Anchor Region Proposal Network,SWLAA-RPN）的细胞检测方法。首先引入引导锚点模块,根据输入图像的特征图动态预测非均匀和任意形状的锚点,提高了模型对不同尺度细胞的检测效果。同时加入样本权重学习模块,通过样本加权的方式缓解了前景背景样本不平衡的问题,让模型更加关注与细胞实例相关的前景样本数据,消除与细胞不相关的组织液背景区域的样本数据。实验结果表明,该网络模型有效地解决了数字病理图像中的检测问题,并且模型取得了更好的检测效果和准确度。（2）提出了一种基于细胞实例密度的非极大值抑制的细胞检测方法针对数字病理图像中存在的高密集的细胞粘连场景问题,提出了一种基于细胞实例密度的非极大值抑制算法,解决了细胞粘连场景下漏检和误检的问题。首先,计算细胞实例的密度值idensity,然后通过动态调整函数计算动态阈值Nidensity,之后引入Soft-NMS的惩罚函数通过加权的方式抑制检测分数。该方法可以根据细胞实例的密集程度动态调整阈值,在密集的细胞粘连场景下,阈值就会动态变大,而在稀疏的场景下,阈值会动态变小。同时实验结果也表明,该方法相比于其他非极大值抑制算法更好的提升了检测性能,同时也适配其他目标检测模型。（3）设计并实现了数字病理图像辅助诊断系统基于以上模型和方法,本文设计并实现了数字病理图像辅助诊断系统,该系统采用前后端分离进行开发。系统主要目的在于验证本文所提细胞检测方法的有效性并将方法应用于实际临床数字病理诊断中,辅助医生进行病理诊断。该系统主要包括基本功能模块、病理医生功能模块和系统管理员功能模块,帮助病理医生对患者的信息和数字病理图像进行管理,并且利用系统对患者的病理图像进行人工标注或自动标注任务。