恶性肿瘤（癌症）是一种可发生在身体任意部位的重大疾病,严重危害人类的生命健康。组织病理学诊断是影响癌症治疗和预后的关键因素。随着全数字切片扫描技术的成熟,病理诊断从镜下诊断逐渐转变为人工阅片诊断。由于病理图像的复杂性以及病理医生诊断的主观性,人工诊断全数字切片十分耗时且容易出错。依靠人工智能技术实现全数字切片的自动化辅助诊断对于减轻病理专家的工作量、提高诊断效率和一致性具有重大的现实意义。近年来,深度学习技术的不断突破大大推动了计算病理学的发展。但是由于病理数据标注专业性极强且耗时长,导致了大规模标注数据的匮乏,这一因素制约了深度学习技术在计算病理学更深层次的应用。立足于此,本文首先以全数字切片二分类算法研究为切入点,尝试引入弱标注学习策略以减轻算法对大规模标注数据的依赖。之后,本文从自监督学习的角度进一步探索标注数据匮乏场景下的更为复杂的全数字切片多分类算法。本文以常见的宫颈上皮病变作为应用场景,主要内容如下:面向全数字切片二分类任务,本文提出了一种基于弱标注的融合传统机器学习和深度学习方法的两阶段算法,并对算法的实用性进行了分析。算法包括病变区域检测和全数字切片分类两个阶段。在病变区域检测阶段,我们首先将全数字切片划分为若干个组织分块图像,然后基于分块数据训练一个深度学习分类网络,最后通过合并这些分块图像的预测结果生成表示病变区域检测结果的热力图。在全数字切片分类阶段,我们首先从热力图中提取形态特征信息,然后使用传统机器学习方法完成全数字切片的分类任务。此外,本文还提出了:1)一种弱标注策略来降低对大规模数据标注的依赖;2)一种基于掩码图像的分块重叠采样策略,以提高病变区域检测的准确性;3)一种全卷积分类网络,以提高预测速度。我们的算法获得了较好的分类结果,但是其实用性有限:1)弱标注策略可以在一定程度上降低模型对大规模标注数据的依赖,但是这种有监督算法的性能仍受限于标注数据的规模和质量,故该算法并不能很好地适用于标注数据匮乏场景下的病变区域检测任务;2)基于传统机器学习的全数字切片分类算法依赖于复杂繁琐的特征工程,不利于方法的拓展。为了更好地应对标注数据匮乏的场景并避免繁琐的热力图特征工程,本文针对全数字切片多分类任务提出了一种基于自监督学习的两阶段分类算法。为了充分利用大量无标注数据所包含的信息,在第一阶段,我们面向病理切片分析任务构建了一个基于自监督学习的预训练视觉Transformer（ViT）模型。首先,我们从大量无任何标注的全数字切片中采集大规模的分块数据,然后基于掩码自编码器的生成式自监督学习架构,利用这些无标注分块数据预训练ViT模型,最后在下游任务中使用少量有标注的分块数据微调预训练模型以实现分块数据的分类。在第二阶段,我们提出了一种深度学习方法完成全数字切片分类任务。我们首先使用基于掩码图像的分块数据重叠采样策略生成病变区域热力图,之后在空间维度对热力图进行压缩并在通道维度实现热力图的信息融合,最后基于自定义的融合空间注意力和通道注意力的深度学习网络SCANet实现全数字切片的分类。我们的SCANet模型可以避免繁琐的特征提取过程且有效提升分类任务的性能。我们提出的基于自监督深度学习的两阶段算法在宫颈上皮病变分块数据分类任务上实现了87.14%的准确率,并在全数字切片多分类任务中达到了86.21%的准确率和95.56%的自定义性能度量。这展现了自监督学习方法在标注数据匮乏场景下的巨大的应用潜力,以及两阶段均为深度学习方法的全数字切片多分类算法的优越性。