肺癌是一种常见的恶性肿瘤,也是目前国内外发病率及死亡率最高的一种癌症,肺腺癌则是肺癌类型中常见的肺组织病变之一。病理学检查是医生确定肿瘤是否发生癌变的“金标准”,但由于病理图像具有高度的复杂性,医生需要反复大量阅片才能最终给出医学诊断,这使得医生阅片负担明显加重。因此,借助计算机进行肺腺癌病理图像的自动识别和精确定位对提高诊断率有重要意义。本文主要针对肺腺癌病理学检查过程中的序列病理切片图像配准技术和基于深度学习的图像分割技术展开研究,以达到计算机辅助识别检测的目的。论文的主要研究内容如下:1.提出一种改进的图像配准算法R-SIFT,算法引入增强梯度提取图像特征点,采用初始匹配与精匹配双重匹配过程,有效增加了特征匹配点对数量,同时减少了误匹配点对。通过肺腺癌病理切片图像配准测试与SIFT+RANSAC和SIFT+FSC两种算法进行了分析比较,其特征匹配点对数量和均方根误差等指标明显改善,验证了所提配准算法具有更好的准确性与鲁棒性。2.采用基于深度学习的图像语义分割模型检测肺腺癌病理图像,在现有Deeplab V3+网络模型的基础上进行改进,提出了一种应用于病理图像分割效果更好的L-Deeplab网络。该网络主要采用编码-解码结构,其中编码结构通过优化主干网络Xception和空洞空间金字塔池化模块来提取不同尺度的特征,进而获取深度特征;解码结构对提取的特征进行解码,通过融合低级语义信息和高级语义信息,还原图像特征信息,最后达到图像分割的目的。3.将改进的L-Deep Lab网络应用于肺腺癌病理切片图像处理,实现了肺腺癌病理切片图像分割,验证了该网络的可行性和鲁棒性。并且与全卷积神经网络、U-Net网络、Deep Labv3+网络模型进行对比,实验结果显示:在肺腺癌病理图像的分割任务中,L-Deeplab网络的全局像素准确率达到91.48%,平均交并比MIo U达到84%。模型分割性能和检测速度方面均表现良好,能够实现对肺腺癌病理图像的分割识别,为医师提供可靠的病理信息,辅助医师实现高效诊断。