新世纪,随着科学技术不断发展,社会生产不断进步,这给人们的生活带来了翻天覆地的巨大变化,这同时也带来了一些问题,比如环境污染,生活节奏加快,人们工作压力增大等,这些问题又进一步引发了健康问题。癌症,是目前死亡率最高的疾病之一,近几年患病率越来越高,且呈现明显年轻化趋势。乳腺癌,作为女性健康的一大“杀手”值得引起大家的关注。对乳腺癌来说,早诊断早治疗能够明显提升患者的生存率和治愈后生活质量。乳腺癌的诊断可以基于多种影像学图像,但是基于病理图像的诊断手段被认为是癌症诊断的黄金标准。然而,基于病理图像的人工分类方法,病理图像制片过程中的流程差异,组织结构复杂变化,病理学家的主观认识等因素都可能造成人工分类的不准确。随着人工智能技术的发展,计算机辅助下的医疗诊断应运而生,在乳腺癌病理图像分类领域也有很好的应用。虽然现有乳腺癌病理图像分类方法取得了不错的效果,但是该领域仍存在一些需要解决的问题。1)计算机辅助医疗方法需要较好的可解释性,而现有乳腺癌病理图像分类方法大多只关注准确率的提升,而忽视了模型可解释性方面的表现。2)现有乳腺癌病理图像分类多是进行简单的良性/恶性二分类任务,对临床诊断辅助作用有限,更进一步的细粒度分类更具临床意义。3)病理学图像与自然图像非常不同,病理学图像中背景信息和关注目标同属于组织区域,没有明确界限,且一张病理图像中有多个分散的需关注目标。现有病理图像分类方法多从自然图像分类的角度考虑问题,但是没有考虑到医学图像的特殊性。4)医学图像分类模型需要较高的准确率,现有方法多通过完善模型结构来提升准确率,结果导致模型结构复杂,难以达到高准确率和简单结构的平衡。本文对弱监督细粒度乳腺癌病理图像分类方法进行了进一步研究,针对上述问题,设计了两种弱监督乳腺癌细粒度分类方法。本文的主要贡献如下:（1）针对现有简单二分类任务的限制,本文提出了两种细粒度分类方法,能够准确区分乳腺癌的各个亚型,提供更多的临床参考信息。（2）针对已有的模型可解释性不够和没考虑医学图像特殊性问题,提出了一种基于深度特征的弱监督乳腺癌细粒度分类方法。该方法从模仿医生实际诊断流程的角度出发,使用卷积神经网络和注意力网络,具有良好的可解释性。还引入了图像裁剪和图像丢弃操作,使得模型能够关注多个不同的可疑区域。此外,还考虑了医学图像的特殊性,利用医学图像的层次化标签,设计了一个层次化标签损失,提升了分类准确率。（3）针对现有方法难以实现高准确率与简单模型结构的平衡的问题,提出了一种基于序列化特征的弱监督乳腺癌细粒度分类方法。该方法基于视觉转换器模型实现,并对原始的视觉转换器模型进行了改进,使其更加能符合医学图像细粒度分类的特点,而且继承了该模型的自注意力机制简化了模型结构,实现了高准确率与简单模型结构的平衡。（4）通过在几个常用的乳腺癌病理图像数据集上的大量实验,证明了本文所提两种细粒度分类方法的有效性,并通过可视化操作,验证了方法应用于临床实践的可能性。