大肠癌是我国常见的消化道恶性肿瘤之一,且近年来大肠癌的发病率不断上升,严重影响我国居民的身心健康。病理诊断是大肠癌确诊的重要手段,有临床肿瘤的“金标准”之称。当前,纸质的大肠癌病理学肿瘤诊断图谱是医学生和病理医生学习的主要工具。然而随着病理学的发展和数字病理技术的普及,病理知识和病理图像以前所未有的速度不断增加,纸质大肠癌病理图谱已不能满足也不方便病理医生及时更新知识的需要。构建准确完整且能及时更新的在线大肠癌病理知识库成为迫切需求。计算机辅助诊断(Computer Aided Diagnosis, CAD)对提高大肠癌病理诊断的效率和准确性有很大的潜力。近年来基于深度学习的计算机视觉技术使精准的病理辅助诊断成为可能。CAD尤其深度学习需要大规模的数据集,而当前大肠癌病理数据资源分散且缺乏标准的标注方式,造成不同机构的数据难以进行整合,已成为CAD的主要障碍。为了解决以上病理学中存在的问题,本论文构建了大肠癌病理本体,并利用大肠癌病理本体建立大肠癌病理知识库,同时对简单的大肠癌诊断CAD规则进行探索。本文的主要工作及采用的关键技术如下：首先,通过对各种知识表示方式的比较研究,确定了使用本体技术构建大肠癌病理知识库的结构,通过网络本体语言(Web Ontology Language, OWL)语言来对大肠癌病理知识进行描述。其次,本文提出了一种新的构建本体的方法——翻译法,并使用翻译法将小鼠病理本体扩展为人类病理本体,并在病理本体中扩充了大肠癌的相关概念,并使用protege本体编辑器构建出大肠癌病理本体。再次,本文利用Vitro系统建立了大肠癌病理知识库,实现了大肠癌病理知识的存储、浏览、图像标注、检索和SPARQL查询,并与临床合作,在病理知识库中添加了3800条左右的大肠癌病例,方便病理医生和医学生学习。同时本文提出了一种机器学习与规则推理相结合的计算机病理辅助诊断流程——机器学习逻辑(Machine Learning Logic, MLogic),为临床肿瘤病理知识库构建提出一条新的途径。最后,尝试使用SWRL规则实现简单的大肠癌诊断的CAD规则。论文中还有很多研究得不够深入的问题,有待今后继续改进与完善。