在癌症治疗过程中,对肿瘤进行早期的准确诊断、定位、识别是对其进行后续治疗的关键。本文围绕乳腺癌的检测精度与速度,对深度学习技术在数字病理图像的乳腺癌检测中的分割精度和效率进行系统的分析和研究,并且提出多分辨率结合的全片预测,实现数字化乳腺组织全切片的病变区域诊断,为人工阅片提供计算机辅助诊断,论文的主要研究工作有以如下几点:1、针对Unet分割精度低问题,提出了AC-Unet分割模型,在传统分割模型Unet基础上进行3点改进:1)减少池化层,减缓小像素目标的丢失;2)编码阶段引入空洞卷积,增大网络的感受野,提升分割精度;3)引入ResNet网络中的类残差结构与特征融合方式,强化语义特征信息。对改进模型进行实验结果分析,相对于其他方法的Unet模型、TernausNet模型,AC-Unet模型取得了较好的效果,mIoU值分别提升了10.5%和8.81%。2、针对分割模型实际运用时分割效率问题,提出一种具有高效率的DS-AC-Unet分割模型,在高精度的分割模型AC-Unet基础上进行3点改进:1)引入深度可分离卷积,优化网络参数,提升模型运行速度;2)在空洞卷积层后加入BN层,加快模型的训练速度;3)改进数据扩增算法,提升模型泛化能力。对改进模型进行实验结果分析,相对于AC-Unet模型的预测速度提升了7.6ms/patch,模型大小减少了30.5%,改进后的DS-AC-Unet模型分割效率得到提升。再次优化卷积层的堆叠结构提出了预测速度更快的TAC-Unet分割模型,比DS-AC-Unet预测速度提升了12.3ms/patch。3、根据提出的分割模型对全切片水平的乳腺组织进行病变区域检测,通过使用多种分辨率相结合的方式,实现快速准确的病变区域检测和识别。进行了分辨率相关的探究实验,对比了各种模型的效果,最终得到基于DS-AC-Unet的全片病变区域分割系统,平均全片预测时间45.6s,m IoU达到93.12%。为工程实现和应用提供可能。