近年来,“互联网+医疗”受到社会各界广泛关注,基于人工智能的医学诊断方法也逐渐被大众所认可。舌诊作为中医望诊中不可或缺的常规检查,在中医临床诊断上占有重要地位,其独特的诊断方式体现出了中医诊病的传统经验和特色[1]。因此,智能化舌诊也是近期研究的热点之一。本文主要研究内容是将深度学习引入到智能化舌诊中,对标准环境下采集的舌象进行舌体分割和舌象分析。通过整理收集舌象采集标准,依据此标准来采集一定数量的舌象,并对这一批舌象进行标注。然后,本文提出了一种舌体分割深度网络,能够有效的从图像中将舌体分割出来。最后在深度残差网络中融合基于Lab颜色空间和舌色中心的质苔分离技术,对舌象的舌色和苔色进行分类,并根据中医理论中的对应关系给出诊断结果。本文的主要工作概述如下:(1)针对现在还没有公开的、大批量和高质量的舌象数据集的问题,整理并制定采集标准,通过与权威单位合作,成功构建了一批高质量的舌象数据集,并由专业中医从业人员为这批舌象数据进行标注。为了减轻标注人员的工作量,设计并实现基于Bootstrap+ThinkPHP+MySQL的在线舌象标注系统,同时也能够便捷地存储和共享舌象及其标注结果。(2)针对传统的舌体分割方法中分割精度较差、易受其他区域干扰等问题,将基于深度模型的图像分割引入到舌体提取中,提出了舌体分割网络TS-Net。TS-Net能够精确地从原始图像中分割出舌体。实验结果表明,TS-Net能够取得99%以上的分割精度,分割效果优于现有常用的舌体分割方法,为下一步的舌象分类提供良好的基础。(3)针对现有的舌象分类方法存在诸如舌质舌苔相互干扰、分类方式没有立足于中医理论等问题,采用了一种基于Lab颜色空间和舌色中心的质苔分离方法,能够有效地从舌体中分离舌质与舌苔,然后融合深度残差网络对分离后的舌质和舌苔图像进行分类,并给出对应的病性和诊断结果。实验结果表明,融合质苔分离的残差网络有助于提升网络的识别率,有效地提升舌象分类效果。