组织病理图像是癌症诊断的“金标准”。全切片组织病理图像分辨率十分高,病理医生对病理图像的判别主要根据自身积累的经验和专业知识,有一定的主观性,诊断效率低,不可重复。计算机辅助诊断可以有效地避免诊断的主观性,提升诊断效率和准确率。本文以乳腺癌组织病理图像为研究对象,开展病理图像计算机辅助的分类和分割方法的研究,搭建乳腺癌病理图像智能化诊断平台。论文的主要研究内容如下:（1）基于深度学习实现了乳腺癌病理图像的分类。为解决分类网络无法训练WSI的问题,提取固定尺寸的图像块获得分类网络的训练样本和标签,进行模型的训练。模型性能很大程度取决于高质量的训练样本。为此提出了Ostu算法、高通滤波和小连通区域消除算法结合的方式对图像进行预处理,分割病理图像的背景与组织区域,对获得具有高判别力的图像块至关重要。同时对提取的图像块进行染色标准化和图像增强处理。采用两种流行的网络模型进行比较,在效率方面,Mobile Net V2模型有很大的优势;在准确率方面,Res Net101模型分类的准确度较高。为此可以根据不同场景的需求,选择相应的网络模型。（2）建立了乳腺癌病理图像的分割模型。在已有较好表现的分类网络基础上,进行组织病理图像的分割处理。根据集成学习的思想,提出了一种二级网络模型,先在基于图像块级别的分类模型进行快速的粗分类,缩小置信区间,再在基于像素的语义分割模型进行精确的分割,综合利用各个子网络提取的特征,实现乳腺癌病理图像病灶区域的精准分割,进一步提升卷积神经网络在乳腺癌病理图像病灶定位上的表现。（3）为了进一步推进乳腺癌病理图像的智能化和数字化,本文基于Web的B/S模式开发了乳腺癌病理图像智能化识别平台。该平台的主要功能包括图像查询模块,智能诊断模块和图像管理模块。通过智能诊断模块,用户可以实现图像上传,进行乳腺癌病理图像的智能诊断,快速获取到诊断结果,为用户提供诊断参考。乳腺癌病理图像智能化识别平台的建立将已诊断的乳腺癌病理图像存储到数据库中,是一款用于医学图像辅助诊断与医学图像管理的创新医学服务软件,辅助医生进行病理图像的诊断,建立病理图像资源库,便于图像集中管理的系统,可以加快病理图像诊断,减小病理医生的工作量,实现病理图像数据的智能化管理。同时,在平台界面展示了各种的诊断案例,帮助用户具体了解乳腺癌病理图像的相关特征,了解该方面病理知识。通过对乳腺癌组织病理图像智能化识别方法的研究和对智能化诊断平台搭建的探讨,为实现乳腺癌组织病理图像数字化和智能化诊断提供指导思路。