良好的数字病理图像质量是数字病理学准确应用的前提。为提出应用性更强的数字病理图像质量问题的检测方法,本文把数字病理图像的质量检测问题分为切片级和图片级。切片级质量问题包括对焦错误、载玻片压片偏移、虚拟位置与实际位置偏移,这些问题会导致全视野数字病理切片不可用。图片级质量问题指全视野数字病理切片中存在的不可用的图像区域。针对三种切片级质量问题,本文提出了检测的方法。首先,对焦错误问题的检测依赖于图像的信息丰富度。由于Laplacian梯度函数可以很好地表征图像的信息丰富度,本文提出一种基于Laplacian梯度函数的方法检测对焦错误问题;其次,载玻片压片偏移问题在形态学上表现为线状物。由于Frangi2D滤波特征分割线状物的效果显著,本文提出一种基于Frangi2D滤波特征的方法检测载玻片压片偏移问题。再次,虚拟位置与实际位置偏移问题会导致具有临床意义的图像区域的缺失。边缘图像块包含大量非背景区域块,可以说明图像存在此问题。为此本文提出通过边缘图像块的非背景区域的比例,检测虚拟位置与实际位置的偏移问题。针对图片级质量问题,本文提出基于类增量学习的分类方法,解决需要检测的类别数量动态增加的需求。类增量学习方法以预训练的识别人体组织的病理图片分类模型为初始状态,在训练过程中保留每个类别的特征向量的均值。在增量步骤中,首先在旧类中进行采样,然后使用卷积神经网络提取特征,保存当前所有类别的特征向量的均值;随后添加一个特征聚合结构,将上一个状态存储的特征向量信息添加到最后的特征计算结果中,最后使用余弦归一化的分类方法对特征结果进行分类。在实验部分,本文验证了方法的可行性。针对切片级质量问题,本文设计实验调整方法中的自变量参数,获取最佳的检测方法;并在验证数据集中证明了各个方法的有效性。针对图片级质量问题,本文分别设计了两组对比实验与消融实验。本文将提出的类增量学习方法与现有的检测方法,以及通用的类增量学习方法进行对比,此方法在性能上优于现有方法。此外本文通过消融实验证明方法设计的有效性。