【目的】本研究拟利用卷积神经网络（Convolutional Neural Network,CNN）对口腔鳞癌不同浸润方式进行识别及自动分类,以期提高诊断的正确性和效率,减少医生工作量的同时减少假阳性诊断、降低误诊。【方法】（1）从2019年南京大学医学院附属口腔医院收治的口腔鳞癌患者的病理切片资料中提取1160份训练样本和324份测试样本,将浸润前沿标记为感兴趣区域,用不同颜色表示不同浸润方式。将推进式浸润方式与指状浸润方式归为一类,将团块状浸润方式、条索状浸润方式及卫星灶式浸润方式归位第二类。搭建二分类网络模型,并将全视野数字切片（whole slide image,WSI）图像划分为小区域进行处理。对数据进行增强后用搭建好的卷积神经网络进行训练及测试。（2）在研究一基础上搭建五分类卷积神经网络模型,将（1）部分标记好的数据代入网络中进行训练及测试。多次微调网络参数,对比不同参数下分类准确率。【结果】（1）在开源数据库基础上设计卷积神经网络二分类算法模型,经过多次微调神经网络,当批处理大小为100,学习率为0.0005,迭代次数为300时卷积神经网络训练集准确率达到99%,测试集准确率达到82.7%。（2）在二分类卷积神经网络模型基础上利用全连接层和Soft Max函数进行图像分类,将处理好的数据集根据肿瘤浸润方式的不同分为推进式浸润、指状浸润、团块状浸润、条索状浸润及卫星灶式浸润。经过多次微调神经网络,当CNN网络模型结构由1层卷积层,3层全连接层组成,卷积核大小为9 x 9,批处理大小为100,学习率0.0005,迭代次数为300时训练集准确率达到98.9%,测试集准确率为72.1%。【结论】本文提出了利用卷积神经网络对口腔鳞癌深部浸润方式进行分类的方法,研究结果显示卷积神经网络模型对口腔鳞状细胞癌浸润方式能进行自动识别及分类,研究结果有一定临床意义,但其准确率有待提高。卷积神经网络学习依靠大量数据集,而我们本次所用数据较少,导致机器学习不充分,准确率不高。本研究还需应用多个深度学习算法对研究结果进行验证,并开展更大的样本量进行训练及测试。