阴茎鳞状细胞癌（以下简称“阴茎鳞癌”）是男性泌尿生殖系统最常见的恶性肿瘤之一,通常用“分化等级”来描述其恶性程度,根据患者病理征象划分为低、中、高3种级别。分级对后续治疗方案的选择和患者生存情况的评估至关重要,是病理医生在阅片时必须做出的诊断。它同时又是一个局部的指标,即一张切片中可能含有多种等级的区域,病理医生需要评阅所有的癌区域,分析其中细胞核的异形性、分裂象等特点,大致地做出分级诊断。这样的诊断过程耗时耗力且主观性较强,因此开发基于计算病理技术的自动诊断模型辅助医生进行定量的分级诊断是重要且亟需的。本文对阴茎鳞癌的自动分级主要包含两个工作:（1）模拟病理医生的阅片流程,构建新颖的深度网络模型定位切片中的多种组织并分割出其中细胞核的轮廓;（2）根据病理医生分级时的临床诊断依据,针对癌组织中的细胞核,提取一系列有效且可解释的组织形态学特征进行分析,最后构建模型实现阴茎鳞癌的自动分级。第一个工作中,本文首先对阴茎鳞癌7种组织进行分类,通过训练基于Efficient-Net的全卷积网络,使得小图像块训练的模型能够直接用于大尺寸图像的预测。在本文制作的超过40万张图像的数据集上,模型准确率几乎达到了100%,能够快速、精准地实现阴茎鳞癌全景病理图像的7种组织类型定位。在细胞核分割方面,本文提出基于距离变换图谱的分割网络以解决病理图像中细胞核粘连的问题,采用多任务学习方式引导网络重视细胞核内部,弱化细胞核边缘,结合后处理操作得到去除粘连的分割结果。模型在测试集上的平均Dice系数为0.779,AJI值为0.643,精度为0.739,Hausdorff距离为10.37,相较其他模型性能更好。第二个工作中,启发自病理医生阅片时关注的异形性、分裂象等征象,本文基于前一个工作的分割结果定位到病理图像中的癌区域和其中的细胞核,设计并提取细胞核层次和组织层次的可解释性组织形态学特征共661维。综合运用Pearson相关检验、KruskalWallis H检验、最小冗余最大相关（m RMR）、递归特征消除（REF）进行特征选择,选出由11维特征组成的最佳特征子集,包含了2维描述细胞核形状的特征、2维细胞核内部的纹理特征、7维组织区域的纹理特征。最后,基于最佳特征子集训练支持向量机分类器进行图像块层次低、中、高等级的自动区分,模型在训练集和独立测试集上的准确率分别达到了87.46%和86.88%,能够实现精准的阴茎鳞癌自动分级。阴茎鳞癌自动分级模型的建立能够给医生提供定量、客观、可重复的诊断支持,让医生可以在此基础上制定最适宜的治疗方案,最终让患者获益。