病理诊断在临床医学中起着关键的作用,病理医生对病理切片的分析可以为疾病的诊断、分型和治疗提供直观凭据,也可以为判断疾病的预后和疗效提供客观依据。病理医生做诊断需要关注病灶位置、细胞核有丝分裂情况或者腺体形态等感兴趣区域（Region of Interest,ROI）。但在传统的诊断过程中,由于全视野切片图像（Whole Slide Image,WSI）数据量极大以及相应医生缺口大等问题,临床医生需要负担起繁重的阅片工作。寻找ROI的过程会极大地增加医生工作负担,而且过长的工作时间还可能使医生更容易受主观性影响,甚至产生临床误诊[1]。近年来,随着深度学习技术的发展,越来越多的研究者聚焦于深度学习在病理图像自动分析中应用的研究。但是由于病理图像其本身的特点,如标记样本少,背景噪音复杂,染色差异大,不同器官细胞形态差异大且聚集程度不同等问题,现有分割模型直接应用于病理图像并不能获得很好的效果。本文针对病理图像分割研究中病灶分割与细胞核分割这两个常见问题,在分析并理解经典分割模型的基础上,对现有基于深度学习的分割模型进行改进。主要研究工作如下:（1）对病理图像分割算法、评价指标以及数据集进行调研。探究传统分割方法与基于深度学习的经典分割方法,针对病理图像特点选取模型并进行网络结构分析,介绍并选取算法性能的评价指标和病理图像分割的常用数据集。（2）针对胃癌病理图像的病变区域分割问题,本文提出了一种基于层级特征聚合的U-Net改进算法。通过解码器的层级特征聚合,Multi-FCN的头部设计以及困难样本挖掘技术对U-Net进行改进,在胃癌病灶分割任务中取得了良好的效果。（3）针对不同组织部位病理切片的细胞核分割任务,本文提出一种基于卷积神经网络的自监督分割模型。本文通过将通道注意力与测试时增强（Test Time Argument,TTA）技术加入到自监督细胞核分割问题中,再经过形态学操作以及分水岭算法等后处理步骤,实现了不同组织部位病理切片中细胞核的分割任务。