甲状腺癌是内分泌系统最常见的恶性肿瘤,也是全球发病率增长最快的恶性肿瘤之一,其中乳头状癌约占甲状腺癌的80%。甲状腺乳头状癌的早期治愈率高达90%,然而,此类癌症淋巴转移率较高。因此,甲状腺乳头状癌的早期诊断对防止病情恶化有重要作用。在众多的诊断方法中,病理检查是敏感性和特异性最高的方法,面对日益增长的病理切片样本,如何使用计算机技术辅助病理学家进行诊断,减轻病理医生负担是当前亟待解决的关键问题。本文着眼于病理图像分类这一重要且极具挑战的课题,开展了基于深度学习的甲状腺癌病理图像自动分类技术研究。针对现有病理图像分类模型未能结合病理医生的认知过程且对甲状腺癌病理图像分类准确率低的问题,本文提出了基于多级放大因子协同的甲状腺乳头状癌病理图像分类方法。该方法模拟病理医生的诊断过程,采用注意力机制获取低放大因子病理图像的判别性区域,进而获取高放大因子病理图像的判别性区域并进行分块分析,同时,使用迁移学习缩小H&E染色差异,提高病理图像的分类精度。实验结果表明,该方法能够充分利用不同放大因子病理图像的特征,在自建的甲状腺乳头状癌数据库上取得了较高的分类准确率。基于深度学习的分类方法往往需要大量标注数据,而病理图像标注成本高,标签获取困难,针对这一问题,本文提出了基于深度主动学习的甲状腺乳头状癌病理图像分类方法。该方法将深度学习与主动学习集成到一个框架中,通过样本特征哈希码的相似性以及信息熵来评估样本的不确定性,并使用样本的深度特征评估样本间的相似性,进而从未标注的数据集中选择同时具有不确定性和代表性的样本进行标注。最后,通过在每一轮迭代中加入新注释的样本来微调模型,以增强模型的分类性能。实验结果表明,该方法能有效降低标注成本,只需要标注少量的训练样本就能获得良好的分类效果。基于深度学习的图像分类模型往往较为复杂,然而在实际应用中,复杂网络的计算量大,运算速度慢。针对这一问题,本文提出了一种融合特征蒸馏的甲状腺乳头状癌病理图像分类方法对模型进行压缩。该方法以教师-学生网络为基础,在特征提取层引导学生网络学习到与教师网络相似的特征,促使轻量级学生网络与教师网络的分类性能尽可能接近。实验表明,该方法能够在不增加模型深度的条件下,使得学生网络获得与深度教师网络相似的分类性能。