病理图像检查被誉为诊断癌症、预后和指导治疗的金标准,同时也是连接诊断和治疗的关键环节。它通过观察活体组织结构和细胞病变特征做出诊断,其结果相比其他诊断方法更加权威,是目前最主要也最可靠的癌症诊断方法。随着数字成像设备和病理切片制作技术的不断发展,病理医生可以借助先进的成像设备扫描活体组织样本,并通过计算机观察其生成的全切片图像。然而,全切片图像的分辨率极高,并且图像内容复杂,涵盖了百万数量形态多样的细胞。如此复杂的任务单纯靠病理医生用肉眼分析显然耗时耗力,迫切需要自动化的技术辅助医生分析病理图像的内容。现有基于深度学习的相关技术建立在大量高质量标注数据的基础上,而对病理图像数据进行标注的代价高昂,通常只能获得有限数量的标注数据供模型训练。因此,迫切需要开展有限标注下的病理图像细胞检测研究。本文针对有限标注下的病理图像细胞检测进行研究,取得了以下研究成果:首先,提出了一种基于分类强化的病理图像细胞检测网络CRDNet。在病理图像中存在大量外观形态极为相似的正常细胞和异常细胞,常规的检测网络难以辨别二者,容易造成大量漏检和误检,在有限标注数据的条件下该问题更加突出。CRDNet由基础检测网络和额外设计的分类强化分支组成,其从合理利用上下文信息及提升网络的特征表示两个方面强化分类能力,有效的辨别了正常细胞和异常细胞。在印绒细胞数据集上的实验证明,其可以成功抑制漏检和误检结果,有效提升了有限标注下病理图像细胞的检测效果。其次,提出了一种基于数据蒸馏的半监督病理图像细胞检测框架DDCDF。由于在病理图像领域很难获取充足的高质量标注数据,DDCDF聚焦于如何利用海量的无标注数据协助优化检测器。DDCDF包含改进的数据蒸馏机制和相似性扩增策略,前者通过在训练过程不断维持高质量的监督信息使生成的伪标签具有高可信度,后者通过合成新的数据丰富训练集信息。在印绒细胞数据集上的实验证明,DDCDF有效的利用了无标注数据提升检测效果,相比于主流方法取得了较大的提升。