近年来,结直肠癌是造成人类癌症死亡的主要原因之一,目前在所有癌症中,结直肠癌发病率和死亡率分别位居第三和第二,发现并及时切除息肉可以有效地预防结直肠癌的发生。结肠镜是目前检测息肉的主要工具,临床上,医生通过观察结肠镜所拍摄的肠道图像,以发现息肉。这种人工方式对医生的专业知识和经验有较高要求且工作量大,因疲劳等主观因素易造成误诊和漏诊,急需利用计算机辅助诊断系统协助医生提高工作效率。目前基于深度学习的大肠息肉检测算法通过监督学习可以自动发现息肉,但其性能受数据标注质量的影响,存在假阳性率过高问题。因此,本文开展了基于电子结肠镜图像的大肠息肉实时检测算法研究。主要研究内容如下:1.针对医学图像中收集标注病变图像困难和大量正常图像无法有效利用的问题,以息肉图像为例,提出一种基于半监督学习的息肉自动检测算法。该算法首先通过基于多尺度抽样策略设计最大似然损失函数,从不含病变的正常图像中学习疑似区域,以减少假阳性,同时使用余弦相似度损失函数来提高模型识别真正息肉的能力,然后采用多尺度空间注意力机制,使模型更加关注息肉病变区域,最后使用跨阶段局部连接机制,提高模型的检测效率。实验表明,通过半监督方式学习,有效提高了息肉自动检测的准确性。2.为了满足高精度和高效率息肉自动检测的临床需求,基于视频图像检测息肉,针对镜头抖动、肠道蠕动、肠道粪水遮挡等复杂环境造成检测正确率较低的问题,提出了基于后处理方法的息肉视频检测算法。利用相邻帧之间的时间一致性来区分噪声和息肉目标,首先通过计算当前帧与相邻帧目标框的Io U（Intersection over Union）,当相邻帧中有一半以上帧的目标框与当前帧的Io U低于阈值,则判定为假阳性。当前帧发生漏检时,考虑不同情况,利用相邻帧中的检测框来恢复当前帧目标。实验表明,所设计算法降低了视频目标中的漏检和误检问题,且检测速度为31.25FPS（Frame Per Second）,满足实时检测要求。3.为进一步满足人工智能辅助手术的临床需求,可以自动计测出息肉面积。本文对四种代表性分割模型进行了研究。通过实验,分析它们在私有和公开息肉数据集上的性能,探讨了这四种模型在大肠息肉图像检测上的性能差异,最后选择泛化性能更好的nn U-Net（no-new-Net）作为今后息肉分割的基础框架。本文所提出的半监督方法在私有息肉图像数据集精确率达到92.0%,召回率达到88.8%,视频检测算法在视频数据集CVC-Clinic Video DB上精确率达到96.1%,召回率为71.8%,所提出的方法较好的解决了上述存在的问题。此外,本文使用代表性分割方法,在私有数据集和公开数据集上进行息肉分割实验,探讨了对息肉进行精准检测的可行性。