胆管癌是一种预后较差的恶性肿瘤,五年生存率较低。胆管癌的确诊依赖术中或术后的组织病理学检验,在检验时需要专业医生在显微镜下检查病理切片,而医生的诊断可能会受到经验、疲劳或主观因素的干扰。随着人工智能技术的兴起,使用人工智能处理病理图像可以快速、准确并稳定地做出辅助诊断。与此同时显微高光谱成像技术在医学领域也展现出潜力,高光谱图像在每个空间位置都记录了丰富的光谱信息,可以获取肉眼难以观察的光谱特征,有助于进一步提高医学图像处理的潜力。在胆管癌显微高光谱病理图像中进行语义分割可以帮助医生快速定位图像中的可疑区域,减轻医生负担。目前基于Transformer的分割网络在彩色图像分割任务中取得了巨大的突破,但是这些网络无法充分利用高光谱图像丰富的光谱信息。为此本文提出了SwinSpec Transformer分割网络,该网络将高光谱图像视为二维单波段图像序列,保留光谱结构信息。以高效的窗口多头自注意力机制为基础,使用两种形状的窗口分别计算空间注意力和光谱注意力,兼顾了空间特征和光谱特征。为了得到准确的二维分割结果,本文还提出了基于光谱词符的光谱降维方法,对每个空间位置的光谱特征进行总结概括,得到无偏的光谱特征。由于胆管癌是一种罕见疾病,在该专业领域有经验的医生专家相对较少,而且其精力有限,所能提供的高质量胆管癌显微高光谱病理图像精细标注数量较少,而直接使用较易获得的低质量标注训练网络会影响分割网络性能,因此如何充分利用低质量标注来进一步提升分割指标成为一个函待解决的问题。为此本文在Swin-Spec Transformer分割网络的基础上,引入标注到图像翻译的方法,提出了一种基于标注到图像翻译和Swin-Spec Transformer（Labels to Photo translation and Swin-Spec Transformer,L2P-SST）的两阶段高光谱分割任务深度学习框架。在第一阶段,使用OASIS生成网络和Swin-Spec Transformer判别网络对抗训练,并提出了光谱感知损失函数,生成高质量的高光谱图像;在第二阶段,固定生成网络,使用生成的高光谱图像进行数据扩增辅助Swin-Spec Transformer分割网络训练,进一步提高分割网络性能。使用本文提出的Swin-Spec Transformer分割网络和两阶段高光谱分割任务深度学习框架,在本实验室采集的胆管癌显微高光谱病理数据语义分割任务中取得了76.16%的平均交并比（mean Intersection over Union,m Io U）、85.80%的平均Dice系数（mean Dice,m Dice）、90.96%的准确率和71.65%的Kappa系数,实验表明该方法可以有效地识别癌变组织,帮助医生快速做出诊断,加速推进基于显微高光谱成像的计算机辅助诊断技术用于临床实践。