在目前皮肤肿瘤医学的临床诊断中,病理诊断是医生依据的绝对标准,而在肿瘤的早期阶段,病理诊断难度较大,且患者数量的增加速度远超于专业病理医生的培养速度,因此如何能在提高医生工作效率的同时又增强病理诊断的客观性是一个研究待解决问题。本文以四类皮肤肿瘤组织病理图像作为研究对象,深入探索组织病理图像的多分类问题,主要研究工作包括以下几个方面。在预处理阶段,针对皮肤肿瘤组织病理图像的尺寸较大,如何在不失空间信息又能不减少细节信息的情况下将病理图像送入卷积神经网络的问题,首先采取Grab Cut算法将病理图像中的感兴趣区域快速提取出来,以减小图像的尺寸;接着将感兴趣区域提取出来进行补丁处理,从而裁剪成适合模型输入大小的尺寸;最后,由于病理图像的标注要花费专业医生的大量时间和精力,不同种类的皮肤肿瘤数量也是极其不平衡的,因此针对如何克服病理图像的数据不充分、不均衡问题,采取传统图像处理技术与深度学习结合的方法来进行数据增强,并在深度学习的增强处理中采用自注意力机制对生成对抗网络完成了优化,通过实验对比分析得出了较优的模型输入数据集,为进一步的分类研究打下了良好的数据基础。在分类阶段,通过迁移学习方法对参数进行共享优化,减少模型训练时间,并在得到的较优数据集上进行Dense Net、Mobile Net、Efficient Net三种不同系列的分类模型的对比实验,最终选取效果较好的Efficient Net-B4网络进行模型优化和改进。为了进一步提升分类准确率,提出将Efficient Net-B4模型与残差结构进行结合,并针对残差结构的不同卷积核尺寸进行实验对比分析,接着对比不同优化器的效果,最终选择了一种基于残差结构的Efficient Net-B4模型与Adam优化器结合的分类网络组合,最后通过实验结果论证了本研究方法的可行性。相较于原始的Efficient Net-B4分类模型,该方法使得网络灵敏度和准确率提高了2.5%,特异性提高了0.6%。