全球胃癌的发病率和死亡率上升显著,严重威胁人类的生命健康。患者若能在患病早期发现并及时接受治疗,完全有可能根治胃癌。临床上常使用内窥镜检查消化道各类疾病,然而早期胃癌的内镜诊断仍存在检出率较低、漏检率和误诊率较高等问题。近年来深度学习技术发展迅速,越来越多的计算机辅助诊断方法被提出,旨在对内镜诊断提供可靠及时的补充,提高诊断胃早癌疾病的准确性和效率。因此,本文运用深度学习技术,针对早期胃癌病灶的智能检测和分割工作展开了研究,主要研究内容如下:（1）基于YOLOv5深度网络的胃早癌病灶视频与图像检测方法研究。本研究发展了一种基于YOLOv5的胃早癌检测网络。首先在网络的特征提取部分,增加了坐标注意力机制来提高胃早癌特征的表达能力,并对提取的不同尺度的特征信息进行加权融合,从而增加特征的多样性和鲁棒性。接着使用了Cluster-nms算法调整检测框的筛选策略,以提高网络的准确率,减少训练时间。最后利用4个检测层进行病灶的检测和标记。实验结果显示,所提方法的精度、召回率和m AP值分别为93.9%、72.1%和77.6%,优于原始YOLOv5方法,在视频上的检测速度为26FPS,满足实时检测的需要。（2）基于U-Net网络的胃早癌病灶分割方法研究。受U-Net网络的编解码结构的启发,本研究设计了一种改进的U-Net网络,用于分割胃早癌病灶区域。首先将预激活残差单元作为网络的基本构建模块来增加网络层数。接着将通道注意力机制融入编码器模块,自适应加权提取的图像特征,突出有用的特征表示。最后在解码器中加入全局平均上采样模块,提供的全局上下文信息作为低级特征的指导,缓解低级特征在与相应的高级特征连接时识别性能较差的问题。提出的方法在分割早期胃癌内镜图像任务中取得了74.19%的Dice相似系数,优于其它对比方法。本文设计的胃早癌内镜图像检测方法和病灶区域自动分割方法性能较好,可为医生提供可靠及时的客观依据,具有一定临床应用价值。