根据世界卫生组织发表的统计,癌症已经成为造成人类死亡的第二大元凶,而在各种肿瘤中,脑肿瘤是最致命的类型之一。对于脑肿瘤患者而言,及早地确定脑肿瘤的类型对于制定专门的治疗方案和治疗后的存活率极其重要。医学影像技术通常被选为鉴别脑肿瘤类型的首选技术。在过去,脑肿瘤的诊断需要医生阅读肿瘤图像,然而人的精力是有限的,大量的重复工作会带来诊断错误率提升进而加重医患矛盾。为克服这些问题,以病理图像为基础的计算机辅助诊断系统就快速发展起来。目前深度学习已经成功应用于医疗诊断领域,通过将深度学习对脑肿瘤图像进行预测能够有效地提高诊断准确率。为了解决传统卷积神经网络容易忽略图像中病变区域关键位置信息的问题,本文提出了一种门控通道注意力转换单元,门控通道注意力转换单元通过使用少量的参数来改变通道间的关系,在不增加较多计算成本的情况下显著提升分类准确率。通过控通道注意力转换单元与多路径网络融合,构建出一种多路径注意力网络。为了解决数据集各类别数据不一致而造成的数据不平衡问题,得到更好的分类效果,本文提出了一种加权损失函数,在交叉熵损失函数和均方误差损失函数的结合基础上,使用权值来尽量弥补各类别样本数量不一致而造成的类别间精度差异过大问题,交叉熵损失函数可以保证模型收敛速度不受影响。均方误差损失函数的优点在于对于与真实结果差别越大的预测结果,其惩罚力度越大。本文将均方误差损失函数和交叉熵损失函数进行加权结合形成联合权重交叉熵损失函数,并将其作为多路径注意力网络的损失函数。针对脑肿瘤数据集数据较少的问题且卷积神经网络丢失空间特征的弊病,将基础网络从卷积神经网络改为胶囊网络,并结合空间注意力机制、门控通道注意力转换单元和通道注意力机制提出了一种特征注意力模块,使用特征注意力模块去改进胶囊网络的卷积层。通过胶囊网络的胶囊层对提取到的高层特征进行编码,结合动态路由算法处理其与数字胶囊层之间的关系,来增强胶囊网络的表达。本文设计了基于深度学习的脑肿瘤图像分类系统,能够根据用户提供的脑肿瘤图像进行类别的预测。系统能够帮助医生做出诊断,减少诊断耗费时间并提高诊断准确率。