子宫内膜癌的发病率在世界范围内逐渐上升,严重危害着女性健康。子宫内膜活体组织病理学检查是确诊子宫内膜癌的“金标准”,通过病理医生在显微镜下进行组织病理学评估作出病理诊断,这个过程费时费力且高度依赖医生的专业程度和诊断经验,因此借助不断发展的数字病理和深度学习技术,利用计算机对子宫内膜病理图像进行辅助诊断,具有重要的研究意义和应用价值。近年来,计算机辅助诊断技术在各种癌症病理图像的诊断上都不断发展,例如乳腺癌、甲状腺癌和胃癌等,但是针对子宫内膜癌的计算机辅助诊断研究非常少,并且缺乏大型公开数据集。因此本文针对子宫内膜病理图像,通过机器学习的相关算法,实现对子宫内膜切片的分析和诊断,主要工作如下:（1）本文通过与山东省齐鲁医院病理科合作,收集子宫内膜病理切片,切片由多名经验丰富的病理医生通过专业软件进行精细标注,为每张肿瘤切片生成其对应的标注文档。为了获取子宫内膜数据集,本文首先基于标注文档对数字病理切片进行预处理,处理步骤包括背景去除、感兴趣区域分割,然后进行补丁图像的获取,将单张切片分割成几千张补丁图像,最后生成包含有230000张补丁图像的子宫内膜数据集,可以有效填补子宫内膜数据集的空白。（2）针对子宫内膜补丁图像,本文设计了基于卷积神经网络和注意力机制相结合的分类算法模型,通过融合注意力机制生成的权重来模拟病理医生在实际诊断时对切片不同区域的关注程度,对比实验证明残差网络与混合注意力机制的结合能使分类模型结果达到最优,其结果在子宫内膜补丁图像数据集上的分类准确率、精准率和召回率达到了97.2%、95.7%和93.6%,可有效的辅助病理医生进行子宫内膜的临床诊断。（3）针对子宫内膜数字切片图像,本文实现了切片级别的癌细胞区域定位以及良恶性分类。对于癌细胞定位任务,首先将切片通过滑动窗口切割获得的预测补丁图像输入最优分类模型得到其癌变概率图,其次将癌变概率图重新拼接后得到切片热力图,从而实现切片级别的癌细胞定位;对于切片良恶性分类任务,本文设计了一种基于多分类器集成的分类模型,通过切片热力图提取癌变区域的相关特征,实现对切片图像的良恶性分类,实验结果的召回率和AUC达到了96.6%和95.6%,对肿瘤切片的灵敏度很高,可有效的降低病理切片的漏诊率。