数字病理图像组织区域分割是对图像中上皮、腺腔、纤维等组织进行分割和实例描述。病理图像中组织区域的自动分割可先验性地确定最大诊断价值区域,为临床诊断提供支持,尤其是对病因和病变严重程度的判断。近年来,智能诊断技术的研究使大规模注释的组织病理学数据集的需求显著上升。针对病理图像质量参差不齐、人工分割难度大等行业性问题,本文基于弱监督学习和深度学习方法,构建了有效的、半自动的、极具泛化能力的数字病理图像分割模型。模型首先对染色标准化的病理图像进行多尺度的超像素划分,由经过基本病理培训的人员标记每个超像素属于特定组织的概率,实现由人工干预的组织病理学知识注入。其次是基于弱监督学习方法训练标记的超像素,实现测试图像的超像素分类,同样由经过病理培训的人员对分类结果进行评估和反馈,根据反馈信息模型参数重新被调整,分类-评估-反馈-调参这一过程被循环直至模型达到最优。人工标记的和正确分类的超像素按照划分索引重组为病理图像,至此实现病理图像组织区域的预分割。基于深度卷积神经网络（U-Net+Res Net50）算法端到端地学习预分割结果图像数据集,最终实现病理图像组织区域的自动分割。在新桥医院病理科提供的六百张H&E染色宫颈病理图像上进行了模型的有效性评估。结果显示,本文方法在宫颈病理图像中取得了94.62%的上皮分割准确率和93.96%的腺腔分割准确率,相比于传统方法,本文提出的病理图像组织区域半自动分割模型可以实现病理图像组织区域更加快速、准确的分割,将医生从繁重的手工勾勒注释任务中解放,为病理学智能诊断奠定了基础,同时也为医学图像分割问题提供了通用的解决方案。