前列腺癌是男性发病率第二高的癌症,格林森分级是制定治疗方案和预后的重要依据。在目前的临床实践中,格林森分级由病理医生在显微镜下评估组织病理标本的腺体结构分化情况确定。然而,这一诊断过程耗时且主观性较强,易出现误诊和漏诊,影响患者受益。因此,开发一种定量、精准、可重复的前列腺癌格林森分级模型以辅助病理医生诊断是重要且亟需的。本文的研究包括两个方面。其一,在辅助诊断模型中引入腺体结构相关的重要领域知识,提出基于语义和结构特征的前列腺癌格林森分级方法;其二,针对不同医学中心因制片、扫描等差异导致的数据域偏移问题,提出基于样本自适应的前列腺癌格林森分级方法。在第一项工作中,本文构建一个包含多尺度语义特征提取器和多层次结构特征提取器的双分支网络,前者用于提取高层语义特征,后者利用图卷积对构建的细胞图提取层次化结构特征,特征经通道注意力提炼后用于格林森分级任务。通过如上改进,本方法在测试集上的macro F1和micro F1分别达到0.7365和0.7792,优于前人提出的效果较好的格林森分级深度学习方法。在第二项工作中,本文结合了与域相关的内容信息、风格信息及细胞的拓扑信息,并引入了全变分正则项,以训练跨域图像生成模型,其中内容和风格信息由预训练的VGG16计算得到,细胞拓扑信息由细胞核分割网络计算得到。利用该模型可自动将源域的大量标注图像转换到目标域,显著提升目标域测试样本的分级精度。对比实验表明该方案优于广泛使用的染色标准化方法以及先进的对抗训练方法,在目标域测试集上macro F1和micro F1分别达到0.6055和0.7650。本文的两方面工作有效提升了前列腺癌格林森自动分级系统的表现,具有重要的临床意义。此外,相关方法具有一定的通用性,具有推广至其他病种计算病理模型开发中的潜力。