癌症作为人类目前最难治疗的病症之一,严重威胁着人类的生命健康。病理检查能够确定癌症分期分级,在临床诊断及治疗决策中起着重要作用。因此,病理医生又被称为“医生的医生”。然而,中国病理医生人数严重不足,且分布不均,基层及偏远地区病理诊断资源匮乏。随着近年来信息技术、人工智能等快速发展,人工智能已经在计算机辅助诊断领域取得了初步应用。在此背景下,为了帮助病理医生高效地进行病理诊断,缓解病理医生资源紧张的状况,本文以宫颈脱落细胞病理和肝癌组织病理为研究对象,研究了基于深度学习的计算机辅助诊断算法,并将其应用于远程病理辅助诊断系统,从而提高医生诊断病理的效率,降低误判率。本文研究内容主要分为以下几个方面:1)本文首先对细胞病理中宫颈细胞的分类进行相关研究。提出了一种基于Res Net的改进模型Res Net-M-T,通过优化残差块和连接特征图的方式提升了分类效果。并在此基础上提出级联分类的方法,将分类任务分为两个阶段,第一阶段区分阴性细胞和阳性细胞,第二阶段准确区分阳性细胞类别。实验结果表明级联分类的分类性能要优于单次多分类。2)本文同时对肝癌组织病理中病变区域分割进行相关研究。以Efficient Net分割网络为基础,根据数字病理图片不同分辨率的特征提出了一种改进模型Dual-Efficient Net,为网络引入更丰富的全局信息和局部信息。根据肝脏病理图片特性进行图像归一化,并针对样本数量不平均问题设计新的损失函数。本文利用PAIP2019公开数据集进行实验评估,结果表明本文提出的分割算法具有比较好的效果,Jaccard系数可以达到0.746。3)最后本文基于上述研究的算法,根据需求提出并实现一个病理辅助诊断系统解决方案,具体包括图像输入和预处理模块,图像训练模块,智能分析模块,诊断报告结果展示模块的实现。该系统可以对病理图片进行上传分析,智能分析诊断,实现对病理的辅助诊断。经过测试,该系统能够初步为医生提供病理辅助诊断,具有实际应用价值。