乳腺癌是常见的恶性肿瘤之一,在女性群体中有逐年增长的趋势。乳腺病理学图像在显微镜下特定区域内的有丝分裂细胞个数是乳腺癌分级的重要指标。现阶段的有丝分裂计数主要靠人工进行,这一过程不仅耗时间,而且对操作人员有很高的的专业要求。因此基于计算机视觉技术实现有丝分裂自动检测具有重要意义。本文针对乳腺病理图像中有丝分裂检测问题开展研究,主要工作如下:针对传统有丝分裂检测识别方法直接对原始RGB图像处理,易于忽略有效的特征信息这一问题,本文提出了一种基于多通道特征融合的有丝分裂检测方法。首先使用染色归一化方法对乳腺癌病理图像进行了预处理;然后将图像转换到蓝色比率（Blue Ratio）通道利用阈值分割出细胞核,并在多个颜色通道上提取细胞的不同特征进行融合;最后应用支持向量机（SVM）进行分类。结果表明所提出算法具有较好的性能,F1-score值在特征融合数目达到60以后趋于稳定,数值达到0.58,证明了融合特征具有更好的分类效果,算法具有较高的鲁棒性。针对传统有丝分裂识别方法需要设计复杂特征、难以寻找有效的特征表达且耗时等问题,提出一种基于YOLOv3的深度学习算法对乳腺病理图像进行有丝分裂检测。首先对仅提供有丝分裂质心位置的MICCAI-TUPAC 2016 MITOSIS数据集,使用手工标注的方法完成目标框标注;然后利用特征金字塔网络（feature pyramid network,FPN）将三个尺度的特征图进行信息融合;最后采用顶层特征上采样与浅层特征融合的方式分别对三个尺度分别检测。使网络模型能够学习到更多的浅层特征信息,以提高针对细胞这种小目标物体的检测效果。实验结果表明,所提算法使网络模型能够学习到更多的浅层特征信息,提高有丝分裂检测效果,其 Precision 数值比 YOLOV2-416 多出 85%,FPS 指标数值比 YOLOV3-416模型多出23%,表明所提算法在得到了较高精度的同时获得了较快的速度。