准确评估乳腺癌的恶化程度对治疗方案的制定起到至关重要的作用,而病情评估的重要依据是病理图像中特定面积下有丝分裂的数目。但由于病理图像尺寸大,细胞多和有丝分裂形态各异,人工有丝分裂检测工作繁琐费时,计算机辅助系统能减轻检测的主观性和减少医疗专家的工作量。以往的有丝分裂检测模型大多是基于手工地特征提取的方法,但由于有丝分裂特征不明显,很难提取有效的特征。为了解决该问题,本课题基于深度卷积神经网络(CNN),设计了自动地特征提取的有丝分裂检测模型,并开展仿真实验研究。针对深度卷积神经网络和有丝分裂检测任务的特点,设计了一个具备旋转不变性,融合多尺度多层次特征和上下文信息的有丝分裂检测模型。分析卷积神经网络的工作机制及结构特点;分析有丝分裂检测的特点——旋转镜像不变性,尺度不变性和稀疏性,以及难点——数据量小,图像染色不统一,样本类别不均衡。基于此,设计有丝分裂检测模型,整个模型的实现包括图像预处理模块,训练样本生成模块,模型组件设计模块,模型结构设计模块,模型训练与优化模块。本文采用基于组织的染色均衡方法,利用CNN进行样本筛选,建立有效的训练样本集。设计了循环对称卷积层,提出一个串联多尺度特征混合全卷积神经网络和条件随机场的有丝分裂检测模型,并制定相应的训练策略。通过CAFFE深度学习平台实验,在开源的ICPR MITOSIS 2014数据集上验证了模型的有效性。