多形性腺瘤是一种恶性程度较高的肿瘤,经常发生于口腔、颌和面部。多形性腺瘤也就是混合瘤,是一种分为腺管、黏液组织、软骨组织和肌上皮细胞组织的腮腺肿瘤。由于多形性腺瘤一般没有症状,表现为无痛、生长相对较缓慢,大多数肿块都是不经意间体检发现,病程甚至长达十多年,严重影响着人类的生命和健康,所以多形性腺瘤的治疗成为了大家关注的问题。现阶段通过电子计算机断层扫描（CT）检查、超声诊断（B超）和核磁共振成像（MRI）等影像学获得多形性腺瘤病理切片图像,医生根据病史和临床表现可以做出大致诊断。但是不同类型的多形性腺瘤不易分辨,诊断过程中需要具备严格的专业知识,需要耗费大量时间,而且专业医师长期从事同一工作会出现诊断视觉疲劳,会造成肿块诊断错误或者遗漏的情况。因此本文提出了一种基于卷积神经网络的多形性腺瘤的检测和分类算法,解决人工诊断过程中遇到的漏诊误诊和费时的问题,达到辅助诊断的目的。本文通过学习和借鉴Mask RCNN模型,提出了改进后的Mask RCNN模型用于多形性腺瘤的检测和分类工作。主要工作如下:（1）建立多形性腺瘤数据集。收集吉林大学口腔医院患者的多形性腺瘤病理图像切片,利用显微镜放大200倍,共获2552张图像。通过学习相关病理知识,针对不同多形性腺瘤特征,对图片进行标注和预处理工作,对不同肿瘤细胞进行分类处理,从而构建本文算法所需数据集。（2）确定多形性腺瘤检测方案。分析了多形性腺瘤的分类推理和预测,重点研究了现有的各类目标检测算法和卷积神经网络的优缺点,确定了基于Mask RCNN改进的多形性腺瘤检测方案。（3）设计多形性腺瘤特征检测方法。改进了骨干网络和特征融合,将Res2Net作为骨干网络进行特征提取,将FPN改为FPG,从而达到可以跨层学习复杂的层次特征。（4）设计实验并分析结果。通过图片预处理共获标注图像10208张和139张未标注的图像,其中标注图像的75%作为训练集,25%作为验证集,未标注的图像作为测试集。同时利用典型的目标检测算法进行对比实验,使用准确度Acc和m AP作为评价指标,更加关注准确度。实验结果表明,本文方法的准确度达到了95.45%,m AP达到了11.9%,准确度的检测效果优于其他目标检测算法。（5）验证本文算法普遍适用性。使用乳腺癌数据集做实验进行验证。数据集选择的是公开的Breakhis,标注了17张导管癌的图像、51张小叶癌的图像、28张乳头状癌的图像作为数据集,使用已经训练过的基于改进的Mask RCNN的多形性腺瘤的检测算法作为乳腺癌检测任务的预训练的神经网络模型,进行网络的训练,检测和分类的准确度达到了97.22%,所以本文算法对于医学图像的检测和分类有适应性。