医疗诊断水平影响着人民的生命健康生活。目前医疗数据量日益增大,但能否利用好这庞大的医疗数据为医疗事业做出贡献至关重要。临床医学影像是医疗大数据中极具代表性的一种,伴随着医学影像技术的发展,临床实际中产生了大量医学影像数据,与此同时,这些影像数据里存在着大量的无效信息和干扰因素。为了准确进行疾病诊断,必须要精确找出医学影像中的有效信息。与此同时,深度学习技术在解决诸如视觉识别、语音识别和自然语言处理等很多问题方面都表现出色。因此,本文主要基于深度学习技术去挖掘医学影像中的可用信息。本文首先对一些经典的机器学习相关算法进行了分析与研究,并重点介绍了BP神经网络模型、传统卷积神经网络模型和VGG模型。然后,对传统的医学图像诊断方法做了研究和总结,并从图像去噪,图像分割,特征提取,图像分类四个方面进行了介绍,并分析其缺陷与不足。最后,针对卵巢癌和新型冠状病毒肺炎两种临床医学影像,基于深度学习技术,建立了卵巢癌与新冠状性病毒肺炎的智能判别模型。通过对相关图像进行图像处理,包括图像去噪,灰度化处理,高斯滤波,图像放缩,然后再调整不同参数进行实验,建立起效果最好的诊断模型,从而实现对卵巢癌与新冠肺炎的辅助诊断。实验结果表明,深度学习技术可以应用于医学影像诊断,对于卵巢癌,分类结果召回率达到0.90。对于新型冠状病毒肺炎,诊断召回率达到0.96。