癌症病理图像的语义分割已经成为辅助医生预判病人患癌风险以及癌症等级的重要手段。随着深度学习技术在计算机视觉任务中取得的卓越成就,全卷积神经网络逐渐成为解决医学图像分割问题的首选方案。然而,这种全监督式的学习方法需要大量的数据以及人工制作的像素级标签,这通常需要花费大量的时间和成本。为了克服这种缺陷,本文研究了基于弱监督学习的癌症病理图像分割方法,仅利用图像级标签实现像素级的预测,从而极大地节省了人工制作标签的繁琐。本文首先研究了一种基于多示例学习的癌症病理图像分割算法。利用取最大值的方法将全卷积神经网络的分割结果图转换为反应输入图像是否是癌症图像的概率值,从而和输入图像的图像级标签进行交叉熵损失函数计算,通过不断降低该损失值,使网络得到训练。最终网络的分割概率图结合固定阈值便得到输入图像的分割结果。同时针对网络分割出的癌症区域面积大于实际的癌症区域面积,本文还引入了一项面积约束,有效的提升了分割效果。然而仅利用图像级标签作为监督信息对于网络训练的约束能力来说相对有限,最终的分割结果和全监督学习之间差距较大。为了更加充分的利用图像级标签,依据卷积神经网络的显著性目标区域定位能力,本文又研究了一种基于种子线索的癌症病理图像分割算法。利用分类网络和类激活映射图,可以得到病理图像中癌症的大致区域,从而制作伪像素级标签。同时,为了使获得的伪像素级标签标签更加贴近图像本身的癌症区域,本文还使用了多个扩张率下的空洞卷积和平均策略。我们把这种伪像素级标签称为种子线索。利用生成的种子线索和基于多项损失函数的SECNet结构,本文实现了对癌症区域的准确分割,极大地缩小了弱监督学习和全监督学习对于语义分割任务效果之间的差距。