间质肿瘤浸润淋巴细胞（s TILs）的组织学评估可作为宿主免疫反应的替代物,已被证明在HER-2阳性和三阴性乳腺癌（TNBC）中具有预后和潜在的化学预测作用。当前手动评估的做法容易导致观察者内部和观察者之间的不同。为了应对这一挑战,本文提出了一种基于区域分割与核分割分类方法对H&E染色的乳腺癌病理图像进行s TILs评估,主要工作有:1、通过对s TILs评分和s TILs密度的相关性进行分析,构建了s TILs评分和s TILs密度的线性回归方程。通过对乳腺癌病理图像计算s TILs密度,即可由线性关系对乳腺癌病理图像计算s TILs评分;2、基于Link Net网络模型对乳腺癌病理图像的间质区域进行分割,并与基于U-Net、Pix2Pix的分割方法进行了对比。从对比实验来看,基于Link Net的网络模型可以有效分割乳腺癌病理图像的间质区域,其DICE指标达到了0.9274;3、基于Hover-Net网络模型对乳腺癌病理图像进行核分割和分类,对其存在的问题提出基于机器学习的核分类算法。从对比实验来看,Random Forest分类器的分类效果优于其他核分类方法,其Accuracy指标达到了0.837,且在对上皮细胞、淋巴细胞、间质细胞进行分类时均获得最佳F1-score指标,分别是0.744、0.752、和0.639。4、基于区域分割与核分割分类方法对乳腺癌病理图像计算s TILs评分,并通过对病理学家评分和计算s TILs评分的相关性进行分析,其中病理学家共识评分和计算s TILs评分的相关性很高,对应的Spearman相关系数r=0.869（p<0.001）大于病理学家间评分的Spearman相关系数r=0.851（p<0.001）,验证了提出的基于区域分割与核分割分类方法计算s TILs评分的有效性。最后,本文对以上工作进行了总结,根据其在乳腺癌病理图像进行s TILs评估的实际效果,提出了改进的方向。