多实例学习（Multiple Instance Learning, MIL）在分析组织病理学全切片图像（Whole Slide Images, WSIs）中得到了广泛应用。然而，现有的MIL方法并未显式建模数据分布，而是通过训练分类器仅学习袋级或实例级的判别性决策边界。本文提出DGMIL：一种基于特征分布引导的深度多实例学习框架，用于全切片图像分类及阳性切片定位。与设计复杂判别性网络架构不同，我们发现组织病理学图像数据固有的特征分布可作为实例分类的高效指导信号。为此，我们提出了基于聚类条件的特征分布建模方法，以及基于伪标签的迭代特征空间优化策略，使得在最终的特征空间中，阳性实例与阴性实例能够被清晰分离。在CAMELYON16数据集和TCGA肺癌数据集上的实验结果表明，本方法在全局分类与阳性切片定位两项任务上均取得了新的最先进（SOTA）性能。