胆管癌是一类相对罕见但恶性程度极高的肿瘤。由于早期症状不明显,患者发现时往往已错过最佳治疗时机。病理诊断作为胆管癌确诊的“金标准”,主要由具有经验的医师对病理切片进行繁琐且费时的镜检,在此过程中,可能由于医师阅片经验不足或评判标准不一产生误诊或漏诊。精准医疗的提出与人工智能的快速发展为上述问题提供了新的解决思路,同时也对医学数据的信息量提出了更高的要求。基于传统彩色医学图像的分析可以为计算机辅助诊断提供一定的参考依据,但传统彩色图像包含的信息量有限。高光谱成像技术作为一门新兴技术,可以同时获取待采集样本的空间和光谱信息。基于此,本文基于深度学习对胆管癌显微高光谱图像区域识别方法进行了研究。本文提出了3D-Res-CNN（3 Dimensional Residual Convolutional Neural Network）模型对胆管癌显微高光谱图像中的胆管癌区域、肝纤维化区域及其他组织区域进行识别。首先,本文对卷积神经网络中的组成单元和网络架构进行了分析。然后,结合高光谱图像“图谱合一”的特性,对网络的结构进行了设计。采用空间维度带空洞结构的3D卷积层对三维高光谱数据进行特征提取,在不增加网络参数量的情况下扩大空间维度的感受野。利用跨步卷积操作实现的3D ConvPool层含有可训练的参数,在降低网络复杂度的同时相较不含可训练参数的池化层更加灵活。考虑到模型性能与计算效率的矛盾,增加带瓶颈结构的残差模块,同时可以避免梯度消失的问题。最后,为了对模型的训练过程进行优化,提出了学习率动态调整策略对验证集上的准确率变化曲线可能产生的震荡现象进行抑制,进一步保证网络的收敛,为后续图像的区域识别奠定基础。实验结果表明,采用3D-Res-CNN模型对胆管癌显微高光谱图像进行区域识别相较于1D-CNN（1 Dimensional Convolutional Neural Network）和2D-Res-CNN（2 Dimensional Residual Convolutional Neural Network）,其性能表现更好,总体准确率、宏F₁和Kappa系数分别为91.6%、0.841和0.777。与伪彩色合成图像的识别结果相比,在高光谱图像上进行区域识别得到的总体准确率提升约12.5%,表明高光谱图像有助于提升不同组织的区域识别效果。通过胆管癌显微高光谱图像的区域识别结果计算胆管癌区域及肝纤维化区域的面积占比,可为胆管癌病理切片中不同病变区域的辅助诊断提供一定的参考价值。