近年来,全球肿瘤患者的数量呈急剧上升的趋势,其中,恶性肿瘤严重危害人类健康。该病若能被及时发现和早期诊断,则能有效提升患者的治愈率,为后续的良好预后奠定基础。计算机断层扫描是检测恶性肿瘤的一种常见的非创性医学诊断方法,它不但能够快速为医生做出诊断,还能够相对容易的区分出不易察觉的病变。人工智能的不断发展,使得深度学习结合计算机断层扫描来辅助医生进行诊断已成为一种趋势。本文利用深度学习技术对肝脏肿瘤CT图像进行分类研究。1、针对病变区域与其周边组织之间由于相似度较高,对比度较低,受到背景噪声影响而造成的病变边缘特征信息丢失的问题,提出了一种基于多尺度特征提取的SENet肝脏肿瘤分类方法。该方法首先增加分级残差模块,在提取图像多尺度特征的同时扩大网络感受野;其次构造双注意力特征提取模块,用于降低冗余信息的干扰,加强网络模型对于病变区域的辨识能力;接着将空洞卷积并联构造多分支特征提取模块,在不损失图像特征信息的前提下加强语义信息的传递;最后将普通卷积替换成八度卷积,从而减少网络参数量,提升分类精度。所提出方法在多种评价指标下均获得了最佳性能,相较于基准分类模型,准确率提升了9.92%,达到了87.74%。2、针对现有的方法进行医学图像分类时通常存在的图像纹理复杂、没有良好的辨识度,有标签的高质量数据集较少的问题,提出了一种基于图像重建和特征融合的SENet肝脏肿瘤分类方法。该方法首先构建粗糙化变分自动编码器,并将其输出作为多层密集感知生成对抗网络的输入;其次在该网络中嵌套使用密集连接和残差结构,并将卷积以先分组再融合的方式来改善深度网络中的信息流,保存更多纹理细节的同时扩充数据集;最后将编码器与生成器作为特征提取器,与分类网络进行特征融合,从而提高模型的泛化能力与分类结果。结果表明,该方法能够较好的扩充数据集,相较于基准分类模型,准确率提升了11.35%,达到了89.17%。3、设计并开发了肝脏肿瘤CT图像分类系统,实现了用户管理、数据预处理、图像重建以及图像分类功能,并将本文所提出的网络模型运用于系统中,能够辅助医师进行诊断,提升了治疗的精准性,为智慧医疗的建设奠定了基础。