在人类的各种癌症中,乳腺癌一直是威胁女性健康的恶疾之一。而相当程度的乳腺癌患者中存在着人类表皮生长因子受体2(HER2)基因扩增或蛋白高表达的情况,称为HER2阳性乳腺癌。作为一个独立预后指标,它对患者的治疗方案选择起着指导性作用。HER2分数的评定主要取决于浸润性癌细胞膜的染色程度与比例。过去,它的评定完全是基于人工观察的方式,不仅工作强度大,准确率在很大程度上也依赖于诊断者的从医经验与主观意识。基于此,本文主要研究在降低人为工作量和保证检测精度的前提下,优化用于HER2图像增强的卷积边缘检测与病理分类的CNN模型。本文的主要研究工作如下:(1)研究基于HER2病理切片的图像特点与判定标准,对原始切片的缩略图进行阈值二值化处理,并与人工标注区域取交集,以获取感兴趣区域。并在此基础上提取256×256图块,并用人工观察的方式选取无明显空白区域的图块,进行约16000张图块的标注。(2)以LBP、GLCM、HOG与LP、SVM两两结合的方式,在不同组合比例的样本数据上,研究利用少量标注数据自动化标注大量未标记数据的可行性预处理方案,并对实验结果做性能优劣的原理性分析。并选择效果表现较好的LBP+SVM的方式,对其它切片生成的图块进行数据预处理标记。同时利用旋转、翻转等操作进行8倍数据增强,并探究了生成对抗网络在扩增训练数据集方面的可行性。(3)针对HER2关键边缘特征的图像增强处理,研究可自适应学习特征权重分配的SE网络结构,并对HED模型进行改进,由此提出了HED_SE模型。并用Structured Edge Detection Toolbox进行ODS、OIS和AP等结果分析,验证其边缘检测精度的改进效果。随后对数据集边缘提取后的灰度分布进行统计,以选择合适的分割阈值进行二值化边缘保留。用改进的HED_SE提取边缘,覆盖原HER2数据集中细胞膜的关键染色区域,并用ROC曲线对小型CNN在HER2图像增强前后的分类效果进行实验分析。(4)分析空洞卷积、分组卷积、Inception、Bottleneck、DepthWise与Channel Shuffle等多种特殊网络结构的特点,并采用深度学习库Keras,在此基础上搭建轻量化多任务网络模型,用以HER2图像分数与倍镜的分类任务。并通过与多种经典的神经网络模型在参数量、训练时长与ROC分类曲线上做对比实验分析,证明了本文所建网络在参数量少的情况下依旧可以达到优异的分类效果。最后对局部感兴趣区域做辅助性热图分析,用以检验模型实际分类效果。