肺癌是全球常见的恶性肿瘤之一,其发病率和死亡率常年居于全球首位。不同肺癌亚型的治疗措施和预后是不相同的,因此明确肺癌亚型至关重要。目前,组织病理学检查结果依旧是肺癌的诊断和分类的“金标准”。传统的组织病理学检查必须依靠于病理专家在显微镜下观察组织病理切片并做出判断,该过程复杂、耗时长,并且与医生的经验和主观因素密切相关。因此,利用图像处理技术对组织病理图像进行分析和处理的方法应运而生。相较于传统图像,显微高光谱图像在包含空间信息的基础上,还包含了光谱信息,这为肺癌亚型的分类任务提供了新的途径。在此基础上,本文将基于显微高光谱成像技术对肺癌病理亚型分类进行分析和研究。本文研究内容主要分为以下三个部分。首先,使用基于朗伯-比尔定律的光谱校正方法和基于主成分分析的谱段优选方法实现对图像数据的预处理,削弱了系统噪声等干扰,并提高了显微高光谱数据的信噪比。然后,针对肺癌组织显微高光谱图像,本文提出了一种基于三维(Three Dimension,3D)卷积形式和卷积组合单元(Convolution Combination Unit,CCU)的卷积神经网络(Convolutional Neural Networks,CNN),并称其为3D-CCU-CNN,用于辅助医生进行临床上的肺癌亚型分类识别。3D-CCU-CNN采用了3D卷积的形式,解决了二维卷积神经网络对三维图像的不适用问题,便于获取光谱维度的特征;同时,本文还设计了卷积组合单元,以便获取对不同卷积尺度获得的特征的融合。最后,针对肺癌亚型病理特征,本文研究了基于3D-UNet网络和细胞形态特征的显微高光谱图像病理特征分析方法,通过癌细胞的分割并计算不同肺癌亚型的病理特征参数,在一定程度上可以辅助解释肺癌亚型的诊断和预后。实验结果表明,相较于常用的二维图像模型,本文提出的3D-CCU-CNN能更加有效地分类肺癌亚型,分类的总体准确率可达0.962,并且精确率、召回率,以及Kappa系数等评价指标均不低于0.920;使用3D-UNet对癌细胞进行分割,分割效果较好,总体准确率可达0.942。本文研究的基于显微高光谱成像和深度神经网络的肺癌组织病理分析方法能够实现肺癌亚型的自动化分类,并从细胞的形态特征上能够给予一定的解释,为肺癌病理研究提供了新的思路,并在一定程度上给医生提供了帮助和支持。