膜性肾病（MN）是成年人肾病综合症的一种常见类型,发病率高达23.4%。肾穿刺活检是膜性肾病诊断的金标准,传统的病理诊断方法需要医生在显微镜下对肾小球基底膜上的免疫复合物沉积程度进行判断,如此庞大的工作量极易导致误诊漏诊。另一方面,经过调查我国的病理医生缺口高达9万人,因此使用计算机自动辅助医生诊断膜性肾病迫在眉睫。然而计算机算法实际应用过程中仍然存在很大的问题,病灶大多位于肾小球内且非常微小。若将病灶在像素级别分割出来,往往依赖于大量的像素级标注标签。如此微小且大量的病灶使得像素级标注变得异常困难,给模型的训练带来了巨大的挑战。为了解决以上这些问题,达到对膜性肾病辅助诊断的目的,本文建立了一个基于多示例学习框架的深度残差网络模型,实现了肾脏病理切片中肾小球图像的自动分类和病灶可视化。首先使用U-Net对肾小球图像进行分割实现了肾小球图像的预处理,使后续算法的关注区域集中在肾小球内部。使用基于多示例学习（MIL）框架的Res Net模型对分割后的肾小球进行训练,提出多尺度标注方法添加少量框级标注的典型数据,以增强网络的学习能力,从而获得具有细粒度特征信息的示例级特征表示。测试阶段将肾小球图像中每个图块的预测概率汇总,从而给出肾小球的分类结果,并得到肾小球内病灶的分割与定位结果。同时在热图上构造膜性肾病典型病灶钉突的量化指标,计算出钉突面积占肾小球面积的比例,寻找该指标与膜性肾病分期之间的关系,实现肾小球钉突的定量分析。本文共采集了222张全视野病理切片上的1267张肾小球,使用这些数据训练和测试了提出的模型。在肾小球分割阶段,模型能有效的对肾小球边缘进行分割,平均Dice系数达到0.912;在肾小球分类阶段,本文构造的基于多尺度标注的深度多示例学习模型能够快速收敛,与其他模型相比具有更好的分类性能,肾小球分类的1F值达到0.958;在病灶可视化阶段,该模型能够准确的给出肾小球内钉突病灶的位置,并将钉突面积占肾小球面积的比例作为钉突数量的衡量指标,实现了肾小球内钉突的定量分析。本文提出的模型能够自动实现肾脏病理切片中肾小球的分类和病灶可视化,并完成定量分析任务,为医生提供了病理诊断的参考依据,极大程度上减轻了医生的工作量,为计算机自动辅助膜性肾病的病理诊断奠定了良好的基础。