病理诊断是肿瘤诊断的“金标准”,然而,专业的病理科医师需要花费大量的时间在观察尺寸巨大的病理切片上,依据专业知识人为诊断肿瘤的类型和分级。现今,病理切片的制作在逐渐实现自动化,大量的病理切片被保存成为数字图像,这为计算机辅助诊断技术的发展奠定了数据基础。精准的自动分割技术,是后续计算机辅助诊断准确性的关键性前提。本文将基于深度卷积神经网络,以结肠癌病理切片为例子,研究精确的病理组织切片自动分割算法。在结肠癌病理诊断中,腺体的形态学特征,如大小、轮廓等,是癌症诊断和分级的重要依据。腺体的形态差异会因为癌症分化程度变高而变得越大,另外,病理组织切片图像中还存在部分腺体过于紧密难以分割为独立个体的问题。因此,在病理切片中的腺体分割依然是一项具有挑战性的研究工作。本文将使用MICCAI 2015腺体分割竞赛上的Warwick-QU数据集来进行实验。前人对于腺体分割的研究中,会出现连接问题和尺寸权衡问题,这导致其分割的结果在评价指标上计算会丧失竞争力。针对腺体分割中的尺寸问题,本论文提出一种新型的全卷积神经网络,名为多尺度全卷积网络,从不同的感受野下的卷积输出提取多尺度特征,以权衡不同尺寸的腺体分割;另外,为了缓解卷积网络中池化层对腺体全局信息造成的损失,并且对形状多变的腺体更好地重塑精细的分割形状,本文设计了特殊的高分辨率分支以为网络补充全局信息;针对腺体分割中的连接问题,本文提出使用三分类的分割方法以最大程度去分割相邻的腺体。算法总称为结合三分类的多尺度全卷积网络。通过对提出的算法进行纵向的对比实验,验证了本文网络结构各个创新点的优势和效果;通过与传统的二元分割算法的对比实验,证明了本文提出的三分类分割方法的优越性;通过与其他近期的腺体分割算法的横向对比,本论文的算法在Warwick-QU数据集上获得了整体排名第一的效果,因此本论文算法在结肠癌的计算机辅助诊断上会有很好的应用价值。