乳腺癌是对女性健康威胁最大的癌症之一。病理学检查是乳腺癌诊断的黄金标准,由于病理切片的高分辨率、多样性和复杂性,人工诊断不仅耗费时间和人力,各种主客观因素也会影响诊断准确性,随着数字病理和计算机技术高速发展,推进计算机辅助诊断技术成为必然。本文基于深度学习的方法,针对乳腺癌病理图像的特性,在组织级和细胞级的层面展开研究,完整地实现了从读取病理切片,到经过癌变区域的定位、癌变区域内细胞核分割和有丝分裂细胞的检测,最终计数有丝分裂细胞来判断病理等级的整个流程,主要内容如下:（1）提出一种基于空洞UNet的方法对WSI切片进行了正常、良性、原位癌和浸润性癌的四类分割任务,实现了癌变区域的定位。针对乳腺癌图像分辨率高、尺度多样性和特征复杂性,本方法使用UNet为基础做语义分割,将特征提取部分改进为Mobile Net,实现了参数轻量化,并在上采样前设计了串联空洞卷积的结构扩大感受野,在ICIAR2018数据集中取得了较好的分割效果,实现了癌变区域的定位。（2）提出一种2DVNet的分割网络实现细胞检测和分割。病理图像中包含细胞、基质和背景等复杂信息,传统分割方法分割细胞轮廓效果较差。使用基于VNet网络改进的2DVNet网络以手工标注的数据集和辅助数据集训练,对细胞核分割从而定位细胞位置。本方法将3DVNet的3维体素降为二维卷积核提升对二维图像的信息提取能力,继承了包括残差结构,全卷积代替池化等结构,并在每一层串联了附加的分支输入融合高低层信息。分割后取得了86.1%的dice系数,并用后处理方法取得了细胞的轮廓和质心。核分割实现了细胞的定位,质心位置的细胞图像块也为后续有丝分裂检测中的有丝分裂非有丝分裂细胞二分类器提供了数据集。（3）提出一种基于分类和分割的级联方法检测有丝分裂细胞。有丝分裂细胞四个阶段形态各异、占比小、与其它细胞特征类似,所以较难区分。因此我们使用改进UNet++网络和基于Res Net-50搭建的分类器在数据上先分割出候选集,再用之前分割细胞核得到的细胞图像块作为数据集训练分类器,二次筛选出有丝分裂细胞。其中候选集分割网络加入深监督平均剪枝后的输出让细胞位置信息更明显,改进损失函数让模型敏感性更好;分类标准则用区域像素点的比例代替逐像素分类来筛选,这种级联方法在ICPR2012和MITOSIS-ATYPIA-14数据集上分别得到0.836和0.571的F-Score,相比现有的方法检测效果有所提升。有丝分裂检测读取了单位面积内的有丝分裂细胞个数,实现了乳腺癌患者的病理等级智能化自动分级,进而获得相应的预后信息。