سرطان پروستات به عنوان یکی از مهم ترین بیماری های مردان شناخته می شود که تشخیص زودهنگام و به موقع درجه ی آن، به روند درمان و جلوگیری از سرایت به سایر بافت ها کمک شایانی خواهد کرد. به منظور تعیین درجه ی بیماری، نمونه برداری از بافت انجام شده و با بررسی ساختار پاتولوژی، نوع درجه تعیین می گردد. در جدیدترین نوع دسته بندی، بافت پروستات به پنج درجه تقسیم بندی می شود که درجه ی یک، خوش خیم ترین حالت و درجه ی پنج، نشان دهنده ی وخیم ترین درجه است. با توجه به زمان بر بودن طبقه بندی توسط انسان و رشد فناوری هوش مصنوعی، اخیرا این طبقه بندی ها توسط الگوریتم های هوشمند مختلفی انجام می شود. اگرچه امروزه روش های توان مندی به منظور توصیف و طبقه بندی تصاویر ابداع شده، اما وجود فاصله ی معنایی میان ادراک بینایی انسان و ویژگی های سطح پایین استخراج شده توسط الگوریتم ها، مهم ترین چالش برای دست یابی به دقت مطلوب شمرده می شود. در این مقاله، روش جدیدی با ترکیب ویژگی های آماری بافت تصویر و ویژگی های عمیق استخراج شده توسط شبکه ی عصبی کانولوشن عمیق ارائه می شود که در آن، استفاده از شبکه عصبی کانولوشن عمیق باعث حصول ویژگی هایی سطح بالا و عمیق از تصاویر پاتولوژی شده و با ترکیب آنان با ویژگی های آماری بافت، دقت طبقه بندی افزایش می یابد. به منظور ارزیابی، روش پیشنهادی بر روی پایگاه داده ی جامعه ی بین المللی آسیب شناسی اورولوژی، اعمال شده است. نتایج حاصل نشان می دهد که روش پیشنهادی، به دقت بیشتری نسبت به سایر روش های مرسوم برای طبقه بندی تصاویر پاتولوژی دست یافته است.