近年来,病理图像的评估在癌症治愈与研究中扮演着十分重要的角色。目前医院的评估方法主要分为两种:一种是病理科医生凭借经验进行评估,这种方法效率比较低,且评估结果经常受到医生主观性的影响而不一致;另外一种是基于人工智能的自动评估方法,可为医生提供辅助作用,有效提高医生诊断的效率和准确率。目前基于人工智能的方法存在采集的病理图像质量不高的问题,对智能算法的预测产生了不良影响。而造成这个问题的原因主要有两方面:一方面,由于光照偏差的影响,采集到的病理图像亮度分布不均,一些细节部分模糊不清或者被完全遮挡;另一方面,由于受到色温的影响,病理图像整体的颜色会有偏差。针对这些问题本文将采用深度学习和图像处理的相关方法对病理图像进行校正,从而改善图像质量。本文的内容主要分为以下两个部分:1、提出了一种基于LinkNet的光场校正方法,用于病理图像的偏光校正。该方法利用高斯图像特性,生成大量不同中心点和不同亮度扩散速度的图像来模拟光场分布图,将WSI（Whole-slides Image）作为标准无偏差的病理图像,训练出偏光校正模型。与传统的图像增强方法相比,本文提出的方法不仅在视觉效果对比上是最佳的,而且在图像光场校正和细节增强方面也有非常好的效果。另外,我们使用了几种图像质量评估方法,实验结果显示,本文提出的方法在各类指标评估中都是最优的。2、提出了一种基于像素均值均衡化的病理图像白平衡方法,是对传统灰度世界算法的一种改进。该方法通过对图像进行部分裁剪来确定图像的校正增益指数,并利用该指数对一组病理图像RGB三通道的值进行优化,从而得到标准色温下的白平衡图像。与传统的白平衡方法相比,本文提出的方法在视觉效果和图像像素指标上均取得了最佳的结果。最后,本文对以上两种方法进行了总结,分析了针对医学病理图像的可行性,并根据实验结果提出了改进的方向。