口腔癌是指发生在人口腔内包括在牙龈、舌头、口咽部和牙槽黏膜等多个部位的恶性肿瘤的总称。在所有的口腔癌病例当中,有很大一部分是鳞状上皮细胞癌,活组织病理检查是确诊口腔癌的重要手段。现有的口腔鳞癌的临床诊断方式多是医生通过观察数字口腔病理切片图像来进行判断。研究口腔鳞癌的自动诊断方法,有助于口腔计算机辅助诊断系统的开发,能够减轻医生工作强度,具有重要的临床应用价值。随着GPU等硬件计算设备的计算能力的不断增强,卷积神经网络也因为其能够自动提取特征的方便性及较高的识别准确率而被广泛关注。实际的临床诊断中,通常首先对口腔病理切片图像做出是否为口腔鳞癌的定性诊断,之后针对具体情况对确诊为口腔鳞癌的病理图像做出癌变区域范围的定位判断。立足于实际临床诊断的需求,设计了基于卷积神经网络的口腔病理切片图像的分类诊断方法,对比了相关图像语义分割算法在口腔鳞癌病理切片图像上的输出效果。经过实验,得到了准确的针对口腔病理图像是否为口腔鳞癌的分类预测结果,以及对确诊为阳性的图像中癌变区域的分割定位结果。主要研究内容如下:（1）收集脱敏后的数字口腔病理切片图像,由资深病理医生完成是否有口腔鳞癌的分类,并对标签为癌变的口腔病理切片图像进行数据标注。经过图像预处理,建立了口腔细胞病理切片图像数据集。最终参与图像分类诊断网络训练的正常细胞图块2850张,含癌变区域的鳞癌图块2900张,参与图像分割网络训练的带有金标准的口腔鳞癌病理图块16500张。训练了基于图块的深度卷积神经网络,在拥有数据量较小的情况下,完成了对口腔切片图像正常或癌变的分类诊断,分类准确率达98.46%。（2）分别使用Res Net残差网络以及Dense Net密集连接网络结构作为编码-解码结构中的编码器部分,对密集连接的有效性进行了验证。分别使用U-Net以及UNet++结构进行针对口腔鳞癌数字病理切片图像的分割任务的训练,并对输出结果进行分析对比,实验表明使用Dense Net作为编码器的UNet++结构得到的结果最佳,与金标准较为接近,能够基本满足临床癌变区域定位诊断的需求。