在肿瘤的诊断中,细胞病理学诊断是最常用的方法之一,能确定肿瘤的良性恶性,组织学类型、分化程度以及恶性肿瘤的扩散与转移等。在疾病发展的早期,细胞及组织解剖形态的变化较为细微,为了辨识这些细微的变化,病理科医生常需要通过显微镜仔细观察病理标本,这一工作不仅耗时而且工作强度非常大。此外,对这些细微变化的判别缺乏客观的标准,很大程度上依赖于病理科医生的经验,这对他们提出了极高的要求。如果能够借助计算机对显微图像中的细胞及组织进行自动分析,将能够有效地提高诊断效率,减少病理医生的工作负荷及可能出现的漏诊、误诊。本文致力于自动病理扫描分析系统中关键技术的研究,以实现癌症细胞核的自动分割及级联分类为目标,在细胞核的分割,特征计算与选择,识别分类这三个方面,开展了深入的研究,具体为：在细胞核分割方面,采用局部自适应阈值分割方法进行细胞核分割,并对得到的二值图像,采用形态学腐蚀一膨胀技术进行修正,然后采用种子填充算法,获得独立的细胞核区域。在局部阈值分割的基础上,采用凸包算法进行分割,获得细胞核的二维凸包。在特征参数计算与选择方面,主要提取了细胞核图像的形态特征、光密度特征、纹理特征和针对凸包设计的其他类特征,总计107个特征参数。然后,采用主成分分析(PCA)算法对原始特征向量降维,同时采用随机森林对特征重要性进行排序,并对比分析了这两种方法对分类结果的影响。在细胞核的识别分类方面,构造了基于Adaboost-SVM级联分类器,同时针对细胞病理样本中存在的多类杂质,设计了相应的SVM分类器,并将这些SVM分类器级联。实验结果表明,两种方法都能取得较好的分类效果。