病理图像诊断是医学图像分析领域的一个重要课题。传统的人工诊断方法需要医生投入大量的时间,还容易因其主观因素影响诊断结果。为了缓解医生的压力,人们开始研究用计算机来辅助医生进行细胞诊断。病变与健康的细胞主要表现为形态上的差异,所以提取准确的细胞形态特征是实现细胞诊断的关键。本文以卷积神经网络作为特征提取工具,通过结合集成学习和多尺度图像分析理论,设计了两种病理图像的自动诊断模型。本文首先对病理图像诊断的研究现状进行了总结,然后介绍了卷积神经网络的基本理论知识及研究现状,最后介绍了集成学习算法与图像多尺度分析的理论内容与应用场景。本文将卷积神经网络与集成学习相结合,提出一种基于增强卷积网络的病理图像诊断算法。该算法使用两个异构的卷积神经网络来提取细胞的特征,其中两个网络分别为基本网络与增强网络,基本网络用于预测细胞患病的概率,增强网络对基本网络的预测结果进行修正。由于可用于训练的病理图像数量有限,网络训练过程中容易产生过拟合,所以本文对训练图像进行了扩充,并在基本网络中加入了其对基本图像与扩充图像的输出值的一致性约束。基于卷积神经网络与图像多尺度分析理论,本文设计了一种多尺度压缩奖惩网络的病理图像诊断算法。该算法以加入压缩奖惩模块的稠密网络作为子网络来学习特定尺度下的细胞特征。压缩奖惩模块可以在特征学习过程中根据特征通道的重要程度,调整其对网络的作用力。此外,本文使用多个子网络的并行结构来提取不同尺度下的细胞特征,以获取准确的细胞类别信息。本文在哺乳动物的器官和乳腺癌前哨淋巴结两类病理图像上验证了两个模型的性能。由于乳腺癌前哨淋巴结图像更为复杂,所以需要对其进行后处理以实现图像级诊断。在两个模型输出测试图像块的患病概率之后,将来自同一张测试图像的图像块概率聚集为一张概率热图,并提取概率热图中连通区域的几何特征训练一个增强决策树,使其输出图像包含病变细胞的概率,并根据概率计算图像级诊断准确率。实验结果表明,两个模型都可以实现高于90%的诊断准确率。