病理诊断是癌症确诊的“金标准”。近些年数字病理技术普及和计算机技术快速发展促进计算机辅助病理诊断的发展，目前已有很多病理图像分析相关研究通过计算机来实现，在本文中主要的研究内容为病理图像的细胞核检测以及组织分割。但是目前病理图像的分析大多基于卷积神经网络，没有考虑到病理图像的高阶一致性。基于目前研究方法中所存在的问题，本文提出了基于生成对抗网络的病理图像分析研究方法用于解决病理图像细胞核检测和组织分割的高阶一致性问题，主要的研究工作如下：
　　1. 研究分析现有的病理图像细胞核检测模型，在此基础上提出了基于生成对抗网络的病理图像细胞核检测模型，将图像的整体一致性融入到病理图像细胞核检测研究中，并改进生成器以进一步提高细胞核检测效果。具体如下，模型以条件生成对抗网络模型为基本框架，生成器用于生成细胞核检测的概率图，判别器判断生成的概率图是否够真。该模型不仅仅是对每一个像素进行预测，还考虑了像素之间的联系，判别器将病理图像作为一个整体，使得在对病理图像进行细胞核检测时，有整体结构一致性判断，进而提升细胞核检测的效果。此外，本文提出将U-Net和残差注意力模型进行融合得到新的生成器RAU-Net，对生成器进行改进得到更好的特征进而提升细胞核检测的效果。本文最终提出的细胞核检测模型为RAGAN，通过实验验证了模型对病理图像细胞核检测结果的提升。
　　2. 研究分析了现有的病理图像组织分割模型，在此基础上提出了基于生成对抗网络的病理图像组织分割，将图像的整体一致性融入到病理图像分割研究中。在基于条件生成对抗网络模型的病理图像分割中，将残差网络和双重注意力模型进行融合得到的DANet作为组织分割的生成器，本文最终提出的分割模型为DAGAN，其中生成器用于生成病理图像的组织分割图，判别器用于判断生成的分割图是否够真。该算法能够使得在对病理图像进行分割时，有整体结构一致性判断，从而能够更好的进行病理图像分割。通过实验验证了模型DAGAN对病理图像分割结果的提升。
　　3.将本文提出的细胞核检测算法RAGAN以及组织分割算法DAGAN进行实际应用，设计实现病理图像辅助分析系统，其能实现病理图像细胞核检测和组织分割功能以及得到定性定量的结果，使得本文提出的算法不仅具有研究意义还具有实际的使用价值。