在肠胃部疾病的诊断中,内镜检测技术会产生大量肠胃镜图像,仅靠肉眼识别病变部位耗时费力。而且,病理特征的隐蔽性、电子镜头拍摄过程的晃动等问题会造成漏诊和误诊。因此,研究肠胃镜图像病灶的自动检测方法具有重要的现实意义。本文针对肠胃部常见的三种病灶(食道癌、息肉和出血),利用多模式识别算法与深度学习算法实现病灶的自动检测与分类。主要工作如下:1.对肠胃镜图像中的这三种病灶的检测方法进行回顾与分析,重点研究三种病灶的特征提取方法与目标检测算法。2.研究基于手工特征提取和多模式识别的病灶识别方法。首先,融合HSV颜色空间和灰度-梯度共生矩阵作为提取的特征,该特征是包含24个值的特征向量,可以反映病灶的颜色与纹理差异。然后,将该特征输入随机森林分类器进行分类识别。实验结果表明,融合颜色特征与纹理特征与随机森林分类器匹配,可以达到87.5%的识别率,比采用支持向量机和极限学习机的识别率分别高7.5%和34.5%。3.研究基于SSD(Single Shot Multibox Detector)深度学习算法的病灶检测方法。SSD算法可直接在输入图像的各个位置处回归出该位置的病灶所属类别与置信度。基础网络为VGG-16,将全连接层改为卷积层并在后面增加四个尺度逐级递减的卷积层作为新的网络结构。在预测网络中,同一卷积层采用不同尺度的anchor预测目标,解决多尺度目标检测问题,兼顾速度的同时,精确度也很高。实验结果表明,SSD的平均精度(mean Average Precision,mAP)可达 72.83%,比Faster-RCNN 高 0.66%。单帧图像检测速度约为Faster-RCNN算法的4倍。分析SSD算法检测结果中出现的病灶被重复标记的问题,增加预测网络中不同层间的特征映射关联,结构改进后的检测效果改善明显。