乳腺癌是世界上癌症发病率和死亡率最高的癌症之一。根据最新的2018年全球癌症统计报告（Global Cancer Statistics 2012,GLOBOCAN 2018）调查显示:世界上癌症发病率和死亡率最高的三种癌症是肺癌、乳腺癌和结直肠癌。乳腺癌的早期发现、早期诊断是提高疗效的关键,而侵润性乳腺癌的组织学分类与分级是重要的预后标准,可作为判断乳腺癌预后的独立指标。Nottingham分级系统是最常使用的侵润性乳腺癌分级系统,该系统包含三个特征:细胞核异型性,细胞凋亡和有丝分裂计算。因为癌症的传播主要是通过细胞分裂控制的,所以,在乳腺癌分级中,有丝分裂的数量是一个重要的参数。然而,手动对有丝分裂进行计数对于病理学家是一件非常繁琐、枯燥的工作。并且,在这个过程中也有很多困难,诸如存在凋亡细胞、淋巴细胞和压缩的细胞核等与有丝分裂细胞相似的细胞干扰对有丝分裂细胞的计数工作。而在病理切片扫描仪出现和深度学习方法的流行之后,传统的病理切片转换成数字病理切片,自动检测有丝分裂逐渐受到越来越多人的关注。以往对乳腺癌数字病理图像进行有丝分裂分类与计数的方法大多是基于CNN或多个神经网络级联处理。这些方法可以实现对有丝分裂细胞的分类与计数,并且可得到较高的召回率和准确率,但是对于CNN等神经网络需要大量的数据用于训练,而对于病理组织学而言,数据是很匮乏的。因此我们提出使用U-Net网络病理图像进行有丝分裂细胞的分割,它是根据全卷积网络改良得到的,其中包含了数据增强,可以解决数据匮乏的问题。我们选择数据集ICPR12作为U-Net的训练集。我们先根据病理学家的标记,将数据集ICPR12中的原始图像转换为二值图像,再用于U-Net训练。经过U-Net预测之后得到有丝分裂的灰度值图,其中存在大量的假阳性。为了减少假阳性数目,我们使用Xception网络对候选对象进行分类,并使用有丝分裂特征进行筛选。首先,我们获得了灰度值图中的每个有丝分裂候选对象的中心坐标,再根据中心坐标提取128128?大小的patches。之后,我们会选择部分patches用于对Xception进行训练。然后,我们将剩下的patches输入训练好的Xception网络中进行分类。之后,我们对数据集ICPR12中的有丝分裂进行特征提取,得到的有丝分裂面积阈值,再根据面积阈值对Xception网络的结果进行筛选,从而进一步降低了假阳性率,提高有丝分裂的准确率和F-measure值。我们基于数据集ICPR14和数据集AMIDA13对提出的方法进行验证。实验结果表明,我们提出的方法成功地实现了有丝分裂的自动分割、特征提取和计数,整个实验得到的准确率达到71.1%,明显优于其他实验方法。