肺癌是世界上最常见的恶性肿瘤之一,发病率和死亡率均位于恶性肿瘤的第一位,严重威胁人民的生命健康。其中,非小细胞肺癌（NSCLC）是肺癌最常见的病理组织学类型,约占所有肺癌病例的85%。病理学诊断是临床金标准,其中病理切片病灶中肿瘤区域、坏死区域、淋巴区域、间质区域的评估对NSCLC的病理诊断与分析具有重要的意义。随着数字病理和人工智能技术的快速发展,数字病理图像（WSI）分析智能化已经成为当下病理诊断的趋势,WSI中各类组织的精确分割是实现其自动化、精准化和智能化分析的关键一步。近年来以卷积神经网络（CNN）为代表的深度学习（DL）在图像分割领域取得了显著的成绩,是大多数图像分割任务最有效的方法。但是,目前基于深度卷积神经网络（DCNN）的全监督图像分割方法依赖于大量像素级别的标注。为了实现自动化组织分割并缓和数据标注的压力,本研究设计了一种弱监督组织分割方法来分割NSCLC的肿瘤、坏死、淋巴、间质四种组织,并从以下两个方向展开深入研究:（1）基于自监督学习的弱监督组织分割研究:本研究采用简单便捷的图像级别标注并基于类激活图（CAMs）来生成分割结果。为了弥补弱监督方式标注信息的不足,本研究提出了一种自监督课程学习策略（CSSL）,使得DCNN在不需要额外数据标注的前提下学习原始数据的特征表达。其中,设计了三个自监督学习子任务,分别是图像重构、图像修复和病理图像染色分离,然后通过叠加子任务方式增加自监督学习任务的难度,从而让DCNN学习到越来越丰富的特征表达,进而提升组织分割的精度。（2）基于特异性丢弃和多元监督的弱监督组织分割方法研究:基于CAMs的弱监督分割方法容易让DCNN过分聚焦在目标对象最具判别性的区域,而没有充分关注整个目标对象。针对这一问题提出了一个基于CAMs的特异性丢弃（CAMD）模块,该模块通过将特征图中的高响应区域随机擦除来迫使DCNN发掘目标对象的其他低判别性区域。此外,本研究借鉴了噪声标签与多元监督的思想,利用DCNN不同卷积层的特征图生成多组虚拟标签,并使用多组虚拟标签来训练一个全监督语义分割网络,降低了噪声标签对网络训练的影响。本研究还建立了一个NSCLC WSI组织分割数据集,训练集包括16678张图像级别标注的病理图像,测试集包含607张像素级别标注的病理图像。基于这个数据集,本研究对以上提出的方法进行了详细的实验验证和分析。实验结果表明,上述的方法可以有效的提高NSCLC WSI组织分割的精度。