图像分类技术是深度学习领域的一项重点研究方向。本文将深度神经网络应用于对医学图像的鉴别与诊断,研究内容主要是在传统卷积神经网络（Convolutional NeuralNetwork,CNN）的基础上做出改进,提高网络的效果。本文在重楼显微数据集和溃疡性结肠炎数据集上进行了具体研究。在对重楼显微图像的鉴别中,本文在基于传统CNN模型上加上了不同的注意力模块,其原理是可以模仿人眼观察物体一样在扫描整体图像后锁定图像中的有意义区域。它的核心机制是通过在模型训练时按照损失变化去改变对不同特征学习的权重,以此聚焦图像中的关键信息。主要的改进包括:1.对重楼显微图像进行增强时,引入了Mixup方法,以增加扰动的方式提高模型的泛化能力。2.为了提高网络训练时对特征的提取能力,在模型中加入注意力机制以提高对重楼显微图像的鉴别效果。在重楼显微数据集上,与原始ResNeXt101模型相比较在准确率、精确率、召回率、F1分数四项指标上分别提升了1.73%、2.10%、1.83%、1.91%。实验结果表明卷积注意模块与骨干网络结合具有最高的性能,有利于对图像特征的提取。在对溃疡性结肠炎图像的诊断中,由于传统卷积神经网络的特征提取能力有限,提出了结合CNN模型分层架构所提取的图像高级特征和循环神经网络模型提取的图像区域的空间依赖性来增强对图像特征的学习能力,提高对图像分类的性能。主要的改进包括:1.提出了一种称为UC-DenseNet的神经网络,它结合了CNN和RNN模型,以取代传统的溃疡性结肠炎图像识别方法。2.提出了一种改进的注意力机制,它可以通过一个通道维度的函数来自适应确定网络模型的内核大小。同时为了进一步确定图像关键特征的位置,通过空间注意力模块锁定图像中的细节信息并进行提取,抑制其余无效特征。3.总结了扩充测试数据后网络的性能改进,并探讨了在注意力模块中使用不同内核大小对网络性能的影响。实验结果显示,UC-DenseNet在诊断内镜是否缓解时在准确率、精确率、召回率、F1分数、曲线下面积五项指标上大约提升了1.08%、1.06%、1.81%、1.06%、0.94%。此外,UC-DenseNet在诊断内镜疾病严重程度时在准确率、精确率、召回率、F1分数四项指标上大约提升了2.53%、1.74%、4.29%、3.54%,优于传统的CNN分类方法。结果表明,提出的方法在三个不同的结肠镜数据集上都表现出了不错的性能。