医学病变组织的影像筛查是公认的临床诊断的金标准,其精度和速度是未来实现精准医疗的关键所在。然而,医学影像往往分辨率较高,包含丰富的组织结构信息和细胞形态信息,且病变具备高度异质性,导致单张图像的诊断时间较长,而专业医生的稀缺进一步影响了患者的就医效率。随着深度卷积神经网络在自然图像处理中取得瞩目的成绩,基于迁移学习的病变图像智能分析方兴未艾。本文聚焦于医学影像中极具挑战的宫颈病理组织学图像的智能分析任务,为智慧医疗的落地应用奠定基础。具体工作包括:1.针对国内外高质量宫颈癌前病理组织学图像数据集缺失的问题,构建了多任务宫颈病理组织学图像（Multi-Task Cervical Histopathological Images,MTCHI）数据集。数据集包含来自71名患者的100张超大分辨率病理切片,并由三名专家独立标注。制定了四个评价指标用于算法的公平比较。此外,提供了基于分类任务和分割任务的智能分析流程,通过大量实验提供了较高的对比基准,并验证了基于深度卷积神经网络进行计算机辅助诊断的可行性和可提升空间。2.通过探讨病变的类间关系,提出了优化乳腺和宫颈癌前病理组织学图像智能分析效果的损失函数。首先,设计了一个引力损失函数,通过减小类内方差并增大类间距离来提升模型的特征提取能力。其次,提出了符合宫颈类间关系的分布一致性损失函数。此外,提出了自适应弹性损失函数,通过赋予远距离误判动态的惩罚比重来牵引困难样本至正确的类别。公开数据集上的实验结果证明了引力损失、分布一致性损失和自适应弹性损失的有效性。3.提出了挖掘分割潜能的端到端网络结构。首先,构建了三次上采样分割网络（Triple Upsampling Segmentation Network,TriUpSegNet）来提升图像中心区域的关注度,并提出了类高斯加权后处理方法抑制边缘噪声。其次,权衡经典分割网络的优势,重构了一个空间特征表达能力更强的多级空间金字塔网络（Hierarchical Spatial Pyramid Network,HSP-Net）。MTCHI数据集上的消融实验和交叉验证反映了 TriUpSegNet和HSP-Net优越的性能和分割方法在智能分析任务中的潜力。4.提出了可利用图像级弱标签训练的双任务协同网络结构。首先,通过集成分类和分割网络形成双任务协同网络,以分类分支把控全局信息,以分割分支调控局部信息。其次,提出了伪标签弱监督学习策略。最后,提出了应用于双任务协同网络的全监督和弱监督学习集成策略,其速度和精度在MTCHI数据集上均占据优势,并对未来临床实践中引入大量辅助训练数据提供了参考方向。