甲状腺癌是各类癌症中最常见的内分泌恶性肿瘤,也是近年来发病率增长最快的癌症之一。虽然甲状腺癌治愈率较高,但其淋巴转移率却高达50%以上,其中甲状腺乳头状癌的比例占全部甲状腺癌的80%以上。因此甲状腺乳头状癌的预防以及早期诊断对于防止甲状腺癌的增长和治疗甲状腺癌具有重要意义。病理诊断是准确预防、诊断和治疗甲状腺癌的“金标准”,但是由于医疗资源问题,如何利用日益发展的计算机技术辅助病理医生进行病理诊断,减轻医生诊断负担迫在眉睫。本文围绕甲状腺病理图像分类和细胞核分割及分类这最为基础且重要的任务,开展了基于深度学习的甲状腺癌病理切片影像分析方法研究。针对现有病理图像分类方法对于甲状腺乳头状癌病理图像的特征提取不准确,且分类效果较差问题,本文提出了一种基于胶囊网络的甲状腺乳头状癌病理图像分类方法。该方法使用胶囊网络并采用设计的病理语义特征提取模块,能从甲状腺癌病理图像中提取到更有利于分类的特征,提高分类准确率。同时设计了惩罚二值损失函数来减少假阴性的概率,从而进一步提高分类准确率。实验结果表明,该方法可以更准确的提取病理图像语义特征,并且能降低错误分类的概率,在甲状腺乳头状癌病理图像数据库上取得了较高的分类准确率。针对现有方法仅使用单个放大倍数的病理图像进行分类,对于复杂的病理图像分类准确率低问题,本文提出一种基于多级放大特征融合的甲状腺乳头状癌病理图像分类方法。该方法模拟医生使用不同放大倍数进行病理分析过程,通过同时使用多个不同放大倍数的病理图像进行特征融合,对甲状腺癌病理图像进行分类。同时设计了基于通道注意力的空洞空间卷积池化金字塔模块,对不同放大倍数的病理图像进行语义特征提取,并设计了错漏得分评价系数,同时衡量错分率、漏分率以及分类准确率。实验表明,该方法可以有效的提高甲状腺癌病理图像的分类准确率。由于病理图像分类仅能判断是否患癌症,进一步病理诊断需要细胞核分割和分类。针对现有深度学习的细胞核分割及分类方法在临近的细胞核分类及分割效果较差,并且细胞核边界分割不准确,本文提出一种基于临近注意的甲状腺病理图像细胞核分割及分类方法。该方法使用金字塔池化模块来提取甲状腺癌病理图像中多尺度的不同区域的语义信息,并且提出块状池化模块学习相邻细胞核之间特征关系,以此提高临近细胞核分割和分类准确率。实验证明,该方法能有效提高细胞核分割和分类准确率。