准确的人体上表皮(Human Epithelial-2,HEp-2)细胞图像分类在许多自身免疫性疾病的诊断和后续治疗中起着重要的作用。例如,系统性风湿性疾病、多发性硬化症、药物性红斑狼疮,系统性红斑狼疮和糖尿病等。而图像分割一般是图像分类以及后期的诊断和治疗过程的第一步。其中关键的挑战是不均匀照明引起的巨大的类内差距和很小的类间差距以及背景噪声的问题。为了解决这一难题,设计一套计算机辅助诊断系统帮助医生自动化进行分割、分类变成了一个热门的课题,本文主要是针对HEp-2细胞图像自动化分割、分类的算法研究,提出了基于机器学习和深度学习的三种不同的深层次特征学习方法:其一,本文提出的成对旋转不变共生局部二值法(Pairwise Rotation Invariant Co-occurrence Local Binary Pattern,PRICoLBP)方法用具有较强的分类能力和鲁棒性。PRICo LBP不仅具有旋转不变性,还能够有效的捕捉空间上下文共生信息。PRICoLBP通过确保响应的共生对和有效的成对旋转不变编码策略获得旋转不变性,编码了反映局部曲率信息的共生对的相对方向角度保证了其强大的区分能力和旋转不变性,另外由于通过局部梯度信息使共生模式具有不同的权值,充分的利用了边界和轮廓信息。其二,本文提出了一种基于深度监督残差网络框架(Deeply Supervised Residual Network,DSRN)对HEp-2细胞图像分类。具体来说,我们采用了残差50层网络(ResNet-50)基本上可以提取到丰富的和有鉴别性的特征。深度监督机制可以促使残差50层网络(ResNet-50)直接指导下和上层网络的训练从而进一步提高分类性能。同时我们还加入了跨模型的迁移学习策略,即用类似的数据集用来训练和微调我们的DSRN模型从而初始化我们的目标网络来加快网络的收敛速度、减小计算量、提升分类性能。其三,在本文中提出了一个自动分割细胞图像区域的框架,稠密的反卷积网络模型(Dense Deconvolutional Network,DDN),它可以同时解决定位和分类的问题。我们提出的模型主要包括稠密的反卷积层(Dense Deconvolutional Layer,DDL),链式残差池化块和层级监督机制。DDN可以学习到有区分度的特征和有效整合多层次的上下文信息。本文的方法能够自动对HEp-2细胞图像的感兴趣区域进行分割。然后提取有效的特征进行分类,这对没有先验知识的全新图像,能够准确提取感兴趣区域的特征,从而实现分类性能的提升是具有较大的科研价值和临床价值的。