肺癌是全球范围内最常见的癌症之一,其发病率及死亡率常年居高不下,严重影响了人类的健康。因此,为了提高肺癌患者的生存率,早期确诊和治疗是必要的。然而,由于不同的肺癌亚型治疗和预后方案是不相同的,因此明确肺癌亚型至关重要。目前,在传统的肺癌细胞病理学诊断中,主要依靠病理专家在显微镜下进行阅片,该过程难度大、时间长,且其诊断结果容易受医生主观因素影响。因此,本文以肺癌细胞病理图像为研究对象,利用计算机相关技术对肺癌亚型的分类方法进行研究。本文主要研究内容如下:在肺癌细胞病理图像预处理阶段,首先基于自适应Gamma校正方法实现图像的亮度调节,提升了图像中细胞区域与背景区域的对比度;其次采用SAGAN的数据增强算法解决图像类别不均的问题;最后,使用旋转、翻转以及缩放等图像处理方法对数据进行扩充。实验结果表明,基于SAGAN数据增强算法得到的数据集在Resnet50和EfficientNet B0分类模型上分类准确率较之前分别提升了10.92%和7.15%。肺癌亚型分类阶段,使用了ResNet34、ResNet50、DenseNet161、DenseNet169、MobileNet v2以及EfficientNet B0等6种不同的分类模型完成肺鳞癌、肺腺癌以及小细胞癌等三种肺癌亚型分类工作,并结合5种评价指标对模型性能进行分析评估。实验结果表明,基于EfficientNet B0的分类模型在肺癌图像亚型分类中表现出较好的分类性能,其在准确率、精确度、召回率、特异性以及F1-Score等评价指标上分别为83.3%、84.0%、83.3%、91.7%、83.0%。为了进一步提升模型分类性能,对EfficientNet B0模型中主要模块MBConv进行了优化。首先针对肺鳞癌和肺腺癌难以区分的问题,在特征提取部分采用了CBAM模块;其次针对模型收敛速度慢的情况,引入了h-swish激活函数;然后,针对传统卷积局部感受野特征表征较差的情况,引入了分组卷积和通道混淆操作;最终提出了一种结合这三者的改进模型EfficientNet-HCS,实验结果表明,该模型在肺癌亚型分类准确率上达到88.7%,相较于原始EfficientNet B0网络,准确率提升了6.48%,并在精确度、召回率、特异性以及F1-Score等评价指标均值上分别提升了5.60%、6.48%、2.84%以及6.63%。