乳腺癌是严重威胁女性健康的恶性肿瘤之一,快速精准诊断是降低乳腺癌死亡率的有效途径。乳腺癌相对于其他癌症对术中快速病理具有极强的依赖性。穆勒矩阵参数已经在表征各种癌症病理组织的微观结构、光学特性方面表现出良好的诊断潜力,如皮肤癌、乳腺癌、宫颈癌等。数字图像分析方法凭借客观、准确等优势广泛应用于癌症病理学诊断领域。基于穆勒矩阵成像系统获得的乳腺癌图像,癌变组织与正常组织的分割和定量分析是乳腺癌病理诊断的重要步骤之一,因此提供一种基于穆勒矩阵图像的可重复、客观和可靠的定量分析方法,对乳腺癌等癌症快速病理诊断具有重要的研究意义。本文首先采用一套背向散射光穆勒矩阵自动成像系统对未染色乳腺癌病理组织切片进行成像,使用穆勒矩阵分解和变换获得相应参数图像,对参数图像的图像平滑、加权平均融合、数据扩充等预处理方法进行了实验与分析。由于乳腺癌病理切片较为稀缺珍贵,为了提高本文方法的普适性和有效性,因此,还增加了对肝癌和肺癌病理组织的研究。针对医学图像中癌变与正常组织的人工标注和定量分析耗时且缺乏一致性的问题,提出了一种基于生成对抗网络的半监督语义分割网络模型,其中将改进的Seg Net语义分割网络作为生成器,使用残差网络模块对参数图像进行学习来增强图像细节,得到癌变与正常组织的良好分割结果。分割实验结果表明,相比传统分割算法,该算法在主、客观评价指标上均取得良好结果,能够自动学习癌变与正常组织特征,降低了癌变组织的假阴性率。基于分割结果得到的不同区域进行灰度共生矩阵、Tamura纹理参数和中心矩参数的特征提取,同时结合病变成分含量来定量分析分割后癌变和正常组织的差异。分析结果表明,乳腺癌、肺癌穆勒矩阵变换参数图像t2的标准差、对比度和方向性、肝癌穆勒矩阵变换参数图像3t的偏度、粗糙度和对比度在癌变与正常组织区域具有明显差异、病理组织的病变含量的多少,能够进一步为临床医生癌症即时准确病理诊断提供理论依据。