基于组织学切片的病理检查是肿瘤诊断的金标准。病理组织切片通常由苏木精-伊红（Hematoxylin-Eosin,H＆E）染色以及全玻片数字扫描（Whole Slide Imaging,WSI）技术扫描得到,其具有超高分辨率,且能完整展现组织细胞和细胞微环境的微观表达,为肿瘤诊断提供重要依据。但这同时也为以深度学习为代表的一类计算机辅助诊断技术带来了关键问题:如何从超高分辨率图片中识别细胞级别微观特征用于癌症辅助判断,从而减轻病理学家重复识别的负担,提高癌症判断准确度。解决该问题的主要挑战在于,超大病理图像中,细胞级（Cell-level）标注成本是巨大的,大量病理图像只有图片级（Image-level）的标签,而缺乏细胞级标注。然而,细胞级形态学特征是肿瘤诊断的关键因素,现有的深度学习技术一般采用强监督学习方法提取全图表达,而非细胞级特征,用于癌症辅助诊断。此类提取全图表示的方法具有明显不足:（1）解释性差:全图特征表达无法解释肿瘤细胞种类、数量或形态等微观特征;（2）计算复杂度高:全图特征提取需要充分考虑整张病理图像的特征计算。因此,本文利用相对比较容易获得的数字病理图像感兴趣区（ROI）的图像级标签,运用深度卷积神经网络、多示例学习和图卷积神经网络等,提取数字病理图像中的细胞级微环境组织结构表达,实现病理图像级分类,同时实现细胞级的阳性概率预测。这项工作可直接计算图像中细胞阳性比率,表达细胞增值情况,预知病人的肿瘤恶性程度。此外,这项工作对细胞级特征的刻画还可提高肿瘤阳性判断的可解释性,这在临床上具有重要作用。本文从三个方面展开:首先,运用迁移学习思想,构建了MR-Cell细胞核检测模型。由于缺少大规模的,含有细胞标注的病理图像数据。本文首先训练了一个能够检测细胞核的检测模型,并将其应用在一个病理图像数据集上,获得用以进行多示例学习的细胞标注。接着,运用深度神经网络和多示例学习（Multiple Instance Learning）的方法构建了数字病理图像的肿瘤预测模型。本文受传统的多示例学习算法启发,将传统的聚合函数与神经网络结合起来。通过神经网络提取细胞特征并输出示例分类,利用传统的聚合函数聚合细胞分类,输出整张病理图像分类。由于病理图像的分类是由其中的细胞得来,因此可以计算细胞阳性率。最后,本文构建了基于图卷积网络的肿瘤预测模型。由于图卷积网络构建图结构的特征时,通过计算图特征数据节点之间的关系,并可以在没有图结点标签的情况下,输出结点预测。出于图卷积与多示例学习的相似性,本文引入了图卷积网络的方法。利用细胞特征表达构造细胞图像的图网络结构,通过图卷积网络学习图的结构特征,从而预测整张图像级的分类概率。本文构建了针对性的图卷积网络,获得了0.92的正确率。