肝硬化（LiverCirrhosis）是一种常见的慢性肝脏疾病，往往由于引起并发症而导致死亡。病理医生将肝肉芽肿归为由结核杆菌引起的肝胆位置的病变，并可导致原发性胆汁性肝硬化，此外，肝部环状肉芽肿与多种肝炎，肝部其他疾病关系密切。目前临床上主要通过病变组织的病理显微图像来研究和诊断肝肉芽肿及肝硬化疾病。但是，因为肝硬化病变种类多样，肝肉芽肿的形态及其周围组织的情况复杂，所以增加了病理科医生的工作难度，应用机器学习和深度学习技术进行病理显微图像的初步识别则可以帮助医生快速、高效地诊断病情。
　　作为深度学习的代表技术，卷积神经网络（ConvolutionalNeuralNetworks,CNNs）结合了特征提取与分类，自动完成特征学习，避免了繁琐而效率低下的人工提取特征工作，在多种图像数据集上均实现了良好的识别效果。本文详细介绍了卷积神经网络的发展历史和基础理论知识，以及实现卷积神经网络的Caffe实验平台。通过参照经典的卷积神经网络结构，本实验自主设计了卷积神经网络模型，实现了小鼠肝硬化显微图像数据集的4分类，分类准确率达到了85.8%。由于所使用图像数据集的数量不足，本文还在已有的图像扩充技术之上提出了一种新的图像扩充方式，成功地避免了过拟合情况。为了评价卷积神经网络的分类效果，本文还应用了两种成熟的机器学习算法——支持向量机算法（SupportVectorMachine,SVM）和随机森林算法（RandomForest,RF）对同一数据集实现分类，分别达到了80.4%和75.1%的分类准确率。最后，通过错误样本分析和整体实验效果评价，总结了卷积神经网络在小鼠肝硬化显微图像数据集上的应用技巧，证明了本文提出的卷积神经网络模型可以较为准确地区分不同种类的小鼠肝硬化显微图像，并凸显出由卷积神经网络分类算法所训练出的模型准确率更高和分类结果更具有临床意义的优势。