医学图像技术的成熟发展已成为医生诊疗中不可缺少的辅助手段。虽然内窥镜检查被广泛的应用在消化道系统的检查、诊断以及微创手术中,但内窥镜的图像帧质量却参差不齐。因此,如何更加精准的对这类图片进行检测,从而为医生提供更加精准的辅助信息是现阶段热议的话题。由于同一张内窥镜图像中往往包含多种伪影,如何精确的识别与定位是当前解决的首要问题。目前大部分医学图像的内容检测没有针对一类图像进行检测,往往都是包含两类识别或者多类识别的对象,比如:同时含有食物残渣、气泡等。如何精确检测出所需要的类别图像是一项重要的研究课题。本论文应用深度学习中的目标检测算法对内窥镜伪影图像进行识别和定位,研究了内窥镜伪影数据集中的多类别场景检测问题。主要包括以下方面:将基于锚点框的两阶段目标检测算法与一阶段目标检测算法进行比较。然后对YOLOv3算法进行了改进,检测精度方面,增加了空间金字塔池化,利用空洞卷积扩大了感受野范围,加强浅层特征的提取,并将原始的回归分支损失函数替换为CIo U,在此基础上提出了一种基于区域位置的权重分配机制以及加入了CBAM注意力模块。最后采用了Tensor RT模型加速的方法,在不增加改进的R-YOLOv3算法计算量的同时加快了推理速度。通过实验测试,本论文改进的R-YOLOv3检测算法对于内窥镜伪影检测的效果提升显著,具有良好的实用性。最后通过设计基于深度学习的内窥镜伪影检测系统,使改进算法的检测效果更加直观,从而辅助医生的诊疗。