乳腺癌是女性中最为常见的癌症之一,正严重危害着女性的身体健康。基于乳腺组织病理图像的分类识别是乳腺癌诊断的金标准。基于深度学习的分类模型能够自动地挖掘原始图像中所蕴含的重要信息,而不再依赖于细胞分割和人工特征提取,具有较强的分类识别能力,被广泛应用于乳腺组织病理图像的自动分类中。然而,深度模型往往只研究图像的单一特征空间,依据抽象的语义信息来进行分类。细胞是复杂且多样的,单一的深度特征表征能力有限,无法全面地描述图像的特点,导致模型分类性能受限。针对上述问题,本文从同一深度模型的不同层次特征和不同深度模型的不同类型特征之间的互补性出发,重点研究了基于多层深度特征流形融合的乳腺组织病理图像分类算法和基于双通道网络的多元特征融合的乳腺组织病理图像分类算法,充分挖掘乳腺组织病理图像中所蕴含的特征信息,用于解决单一深度特征无法充分表征复杂细胞结构的问题,以提高模型的分类识别精度。本文的主要研究工作如下:（1）研究了基于多层深度特征流形融合的乳腺组织病理图像分类算法。首先,利用深度迁移模型提取出不同层次的特征。然后,将不同层次的深度特征进行交叉级联融合,增强特征对细胞形状、边缘和纹理等细节信息的表示,使模型能够更好地识别良性细胞和恶性细胞的结构差异。同时,运用深度流形学习将高维的融合特征投影到流形子空间,减少融合特征中的冗余信息,以获得更具判别力的低维特征。用局部保留约束项衡量映射前后样本之间的相邻关系,自动地调整投影矩阵,实现模型的优化。（2）研究了基于双通道网络的多元特征融合的乳腺组织病理图像分类算法。首先,设计了一个能够同步提取卷积特征和胶囊特征的双通道网络。然后,将卷积特征和胶囊特征结合,使模型具备同时关注图像的语义信息和空间信息的能力,以获得更具判别力的特征,增强特征对细胞排列、方向等空间信息的表征。并且,利用增强路由自适应地调整路由系数,进而优化模型对病理图像进行准确分类的能力。本文研究的两种深度特征融合方法通过提高特征的表征能力,更加全面地挖掘乳腺组织病理图像的细胞信息,增强了模型的分类性能,有助于乳腺癌的早期诊断,具有重要的临床应用价值。