随着医学图像处理技术的飞速发展，计算机辅助诊断系统已经成为医师诊断病患的一项重要工具，而细胞自动识别是计算机辅助病理图像分析算法的关键步骤，为很多后续进一步的定量分析提供基础。
　　诺丁汉组织学评分系统与组织病理学图像中乳腺癌细胞的形状和外观高度相关。由于乳腺细胞的类型、疾病恶性程度和生存周期等因素，外观会呈现很大的差异性，因此单体细胞的大小、形状、外观和质地的不同会给人工手动识别带来很大麻烦。另一方面，高分辨率乳腺病理组织图像大小和细胞数量非常大，人工手动识别会消耗医师大量的时间和精力，并且效率低下。
　　实现对乳腺细胞的自动识别能极大提升医师的诊断效率，节省时间、精力。近年来，应用深度学习方法对大型图像数据分析深入人心。考虑到乳腺细胞的数量和复杂性，本文将深度学习策略应用于乳腺病理细胞的自动识别。
　　针对此问题，本文围绕着稀疏自编码器算法关于特征提取和训练学习展开研究，提出了一种基于堆栈稀疏自编码器与整体嵌套结构的细胞识别的方法，能够快速、高效、准确地识别高分辨率病理组织图像中的细胞。该方法优势不仅在于采用无监督学习策略训练编码器，还将多个分类结果进行融合，提高模型效率，进一步提高识别性能。
　　该模型有效地结合了两个模块，堆栈稀疏自编码模型（Stacked Sparse Auto-encoder， SSAE）和整体嵌套模型（Holistically-Nested，HN）。在第一个模块中，本文使用由稀疏自编码（Sparse Auto-encoder，SAE）组成的SSAE并结合滑动窗口技术提取细胞高级特征；第二个模块中，本文在前一模块基础上，利用各隐藏层输出得到多个分类结果，最后通过整体嵌套结构对分类结果进行融合，进一步为细胞识别服务。
　　通过来自于凯斯西储大学附属医院病理研究所的乳腺病理图像，以及使用滑动窗口得到一系列实验结果表明，与其它八种先进的细胞识别策略相比，本文提出的算法能够更有效的提取乳腺细胞图像的高级特征，更客观真实地反映图像之间的隐藏关系，具有更高的准确率、召回率和综合评价指标。