蕈样肉芽肿是一种恶性程度较高的皮肤肿瘤,在早期容易与一些良性的皮肤炎症混淆,因此蕈样肉芽肿的准确识别和诊断是一个迫切需要解决的问题。蕈样肉芽肿的早诊断、早治疗将会在很大程度上提高患者的治愈率,从而让患者获益。病理诊断是目前蕈样肉芽肿诊断的金标准,皮肤病理医生通常是通过分析患者的皮肤病理图像中的多种组织成分和细胞的相关形态来寻找一些蕈样肉芽肿的有效特征,通过分析这些特征并根据医生的经验来进行诊断。但由于病理图像尺寸巨大,且组织类型多样,场景复杂,细胞分布混乱,使得医生在显微镜下的评估诊断工作量极大。为了提高诊断的准确性,亟需一些蕈样肉芽肿病理图像的自动和定量的方法。在此现状下,本文提出了一套蕈样肉芽肿多种组织成分的自动分割模型,能够在复杂场景下自动分割多种类型的组织。同时本文研究了细胞核的实例分割网络框架,从而能够对细胞核进行形态组织学的分析。在蕈样肉芽肿病理图像多种组织分割中,本文提出了一套级联深度网络模型。首先本文提出了一种快速密集网络(Fast and Dense VGG,FD-VGG),用于多种组织更快速的初始分割。该网络以VGG作骨架网络,使用零填充卷积,改最后的池化层为平均池化,使得网络可以用小图像块训练,直接使用大图像块来测试,大大缩短了分割时间。利用后处理算法去掉初始分割的一些误差,然后通过边界优化模型Segnet得到最终的多种组织分割结果。分割模型在验证集上的准确率为0.953,测试一张包含大约3亿像素的病理图像只需15秒。模型和有填充网络进行定性和定量比较,证明本文提出的网络模型的分割更准确。在细胞核的实例分割任务中,本文通过分析目前常用的语义分割方法在细胞核实例分割任务中的不足,提出了新颖的细胞核实例分割网络(Horizontal and Vertical SENet,HV-SENet)。该网络利用多任务学习的方式,将细胞核语义分割和水平-垂直图谱的学习结合在一起,二者共用编码器,协同学习,从而训得更加强大的编码器。最后运用后处理算法,得到最终的细胞核实例分割结果。本文提出的细胞核实例分割模型在验证集上的平均DICE系数达到0.802,DQ值为0.560,SQ值为0.744,PQ值为0.418,通过与其他模型比较证明本文的模型性能更好。最后在蕈样肉芽肿的全景病理图像中进行测试,得到了令人满意的效果。因此本文的模型可以较好分割蕈样肉芽肿的多种组织和细胞核,从而辅助皮肤病理医生对蕈样肉芽肿进行诊断。