癌症是造成人类死亡的主要原因,而乳腺癌是女性发病率最高的癌症,其发病率逐年上升。癌症的早期诊断与治疗可以有效降低乳腺癌的死亡率,但是作为乳腺癌诊断“金标准”的病理诊断存在医疗资源缺乏和人工诊断易于出错等问题。而乳腺癌的智能辅助诊断是解决如上问题的有效途径。病理学的数字化与人工智能的不断发展为乳腺癌的辅助诊断提供有力的数据基础和算法支持。本文主要对乳腺癌病理切片图像的智能辅助诊断,包括显微图像的诊断分类和全切片图像的癌症区域分割进行研究。在研究病理切片图像特点、调研分析相关工作及存在问题的基础上,提出病理切片图像处理和分析技术,实现乳腺癌病理切片的计算机辅助诊断。本论文的主要研究工作和成果包括:(1)提出了一种基于小样本数据的乳腺癌高分辨率病理切片图像的深度卷积神经分类网络。挑选多种适用于病理切片图像的数据扩增方法,将自然图像的特征迁移至病理切片图像,选择Resnet-152网络对图片进行分类。实验表明,该方法可以在小样本上有效地训练网络,在乳腺癌病理图像(Breast Cancer Histology image,BACH2018)显微图像数据集上的测试集准确率为86%。(2)在小样本数据集分类算法的基础上使用染色标准化和缩放方法进一步改进模型。利用Reinhard颜色变换方法进行染色标准化统一图像的色调,采用缩放增加每张图片的实际物理面积。实验表明,染色标准化和缩放方法可以进一步提高模型准确率。利用这个改进模型将BACH2018显微图像数据集上的测试集准确率提高到92%,超过当前该数据集上最优模型的性能。(3)提出了一种将超高分辨率全切片图像与高分辨率显微图像相结合,从高分辨率显微图像分类迁移至超高分辨率全切片图像分割的方法框架。裁剪和显微图像具有相同物理大小的图片进行算法的迁移,采用灰度阈值方法提取组织区域增加有效样本比例,使用加权交叉熵损失函数解决数据不均衡的问题。实验表明,该方法可以在不同任务上实现算法的迁移,在BACH2018全切片图像数据集上得分为0.6373,取得使用相同数据集下的最优结果。本文提出的模型方法解决了小样本数据集下模型的训练问题,也验证了在同种疾病不同任务下方法迁移的有效性。