病理诊断作为医学诊断的“金标准”,是很多疾病确诊的重要手段之一。然而,病理诊断存在着医生主观性强、临床误诊率高以及医生缺口大等问题。近年来,随着深度学习与全切片图像(Whole Slide Images,WSIs)采集技术的发展,人工智能技术逐渐进入病理影像领域。这不仅使得病理诊断更加的准确客观,也大大减轻了病理医生的负担。论文的研究目标是探讨近几年来深度学习算法在病理影像领域的最新进展,并针对胃癌病灶分割、乳腺肿瘤细胞评分以及多组织器官细胞核的实例分割三大任务进行了详细的研究,分析并比较各种方法的优缺点。研究的主要工作包括以下几方面:1.针对粗标记的胃癌病理切片数据,提出了一种双输入卷积神经网络,通过一种投票拼接算法将补丁的分类结果转换为图片的分割结果,从而达到胃癌病理切片肿瘤分割的目的。2.针对乳腺肿瘤细胞评分任务,提出了一种协同深度卷积网络来对乳腺病理切片的细胞性进行评估,通过pair-wise的输入数据以及协同误差,来提高网络模型的回归性能。3.针对多组织器官的细胞核实例分割任务,提出一种基于空洞卷积的双输出卷积神经网络模型,同时对细胞核及其边缘进行分割,然后使用基于标记的分水岭算法做后处理,从而实现多组织器官细胞核的实例分割。论文对所提出的算法模型在相应任务的测试集进行了方法性的对比实验,实验结果表明了算法的有效性和鲁棒性。本文所提出的一系列全自动分析算法给后续深度学习应用于数字病理图像领域提供了借鉴,推进了计算机技术辅助医生诊断的进程,具有一定的临床价值。