近些年来,随着计算机技术和医学成像技术的发展,医学图像处理已经成为临床实验和诊断的重要辅助手段。在医学图像处理领域中,深度学习方法占据着重要的地位。其中,卷积神经网络（Convolutional Neural Network,CNN）是最为常用的一种深度学习技术。CNN可以自动从医学图像中提取疾病特征,达到疾病分类、病灶区域分割等目的。而医学图像普遍存在数据样本少,数据维度高等问题,给疾病的自动化诊断带来了很大挑战。在具体医学任务中,乳腺癌分级是患者预后的一个重要步骤,主要取决于患者组织学切片中的三个特征:细胞核多形性、小管形成情况和有丝分裂细胞的数量。其中,有丝分裂细胞的数量是评估乳腺癌侵袭性的重要指标。但临床上都是医生手动统计有丝分裂细胞的数量,繁琐且耗时,需开发一个自动检测有丝分裂细胞的方法。诱导性多能干细胞（induced Pluripotent Stem Cells,iPSCs）是体细胞经过诱导因子转化而成的多能干细胞,iPSCs在基因表达、蛋白质转录和分化能力等方面都与胚胎干细胞相似。未分化的iPSCs的健康质量是进一步实验和治疗的必要条件,但医生基于协议来判别细胞的健康质量是耗时且主观的,因此需要开发一种可以自动检测iPSCs并识别其健康质量的方法。在此背景下,本文充分利用卷积神经网络,在有丝分裂细胞自动检测方法和诱导性多能干细胞自动检测方法中做出了研究。主要研究内容和贡献如下:第一,本文使用两种快速且有效的方法,从患者的组织学图像中自动检测有丝分裂细胞。其一,利用一种改进的目标检测算法用于自动检测有丝分裂细胞。即利用CNN自动提取有丝分裂细胞的特征,并使用融合后的特征表示有丝分裂细胞,进而利用区域提案网络（Region Proposal Network,RPN）来获取一组类别不可知的有丝分裂细胞候选者。最后使用改进的多分支分类子网从有丝分裂细胞候选者中筛选出有丝分裂细胞。其二,基于以上方法利用一种空间注意力模块代替特征融合模块,并结合多分支分类子网来检测有丝分裂细胞。在ICPR2012有丝分裂细胞检测竞赛的数据集上验证了本文方法,与其他的方法相比,本文的方法取得了最佳的结果。第二,利用一种自动检测iPSCs并识别其健康状况的方法。该方法分为两步,首先利用构建的注意力引导的多分支卷积神经网络检测出iPSCs的位置,然后利用构建的基于注意力引导的多尺度深监督分类网络来识别出每个iPSCs的健康状况。即使用多尺度卷积操作来提取iPSCs的特征,然后利用注意力模块对特征重编码,构建更加具有判别力的特征,并结合深度监督机制识别出iPSCs的健康状况。在医院提供的iPSCs数据集上验证了本文方法,实验结果表明本文方法在自动检测iPSCs任务上是有效、可行的。本文根据具体的医学任务,针对有丝分裂细胞检测和诱导性多能干细胞检测两个方面做了初步的探索,本文方法取得了较好的效果,并为后续的研究提供了依据。