用于生物医学工作者或计算机自动化处理和分析的显微图像应该满足的一个理想标准是全局光照强度均匀性。然而,显微镜采集的图像中由于设备或人为等原因,不均匀的光照分布几乎不可避免。有效校正这种光照退化是显微图像处理与分析中不可缺少的环节,对后续的量化、拼接、分割等任务有着重要的影响。现有的显微图像不均匀光照校正算法可分为前瞻性校正方法、回顾性单图像校正方法和回顾性多图像校正方法。前瞻性方法,即依赖显微成像过程中同时获取的参考图像来实现光照校正,需要操作者付出更多的成本;回顾性方法仅需要从样本拍得的显微图像来去除不均匀光照,以其方便实用且不需额外成像操作的特性而被广泛研究。然而现有的回顾性方法的研究重点集中在单通道显微图像的光照校正上,即使是目前先进的基于图像序列统计特性的多图像方法,用到多通道如彩色病理图像上亦存在问题。针对此现象,本文提出了有效的基于彩色显微图像的回顾性光照校正算法,主要的工作概括如下:1.提出了一种针对渐晕这种最广泛出现的光照退化的彩色单图像校正算法。根据渐晕径向衰减的特性,先验性的通过二次曲面拟合将显微图像的光照不均问题转化为相应的弱光增强问题,并由基于Retinex的增强算法进行了后处理。转化过程中针对彩色显微图像渐晕及其有可能带来的颜色退化,通过在HSV空间明度通道处理光照从而分解为亮度和颜色分别校正的两个子问题,避免了传统单图像算法在校正图像光照的同时,容易产生颜色二次退化的现象。相比于经典的基于单张显微图像的光照校正方法,通过这种转化、分解思想提出的算法在病理细胞图像的渐晕校正上取得了更明显的视觉质量提高。2.研究了一种对渐晕以及非渐晕光照退化均适用的基于深度卷积神经网络的多图像校正算法。多图像校正算法存在的固有缺陷是当同一光照源下的显微图像数量不足时,不能实现校正;同时目前先进的多图像算法应用在彩色显微图像上时容易导致出现伪影。本文网络通过多模块串联的形式,提取并融合光照特征,通过加权的损失函数保证彩色显微图像的光照、颜色以及纹理细节等朝着金标准的方向优化。实验结果表明,在带有渐晕退化的病理图像数据集上训练后的本文网络,在测试集上的定性定量评价结果均表现更优异;即使对不同光照源下的单张病理图像也有光照校正效果,克服了目前先进算法的局限。将该网络应用在非渐晕光照退化的彩色全玻片成像数据集拼接任务的预处理中,显著提高了拼接后的全视野图像的质量。