由于计算机软硬件技术的快速发展,图像处理,机器视觉与模式识别技术愈渐多样化。随着医疗系统信息化的不断完善,医疗数据大规模增长,传统的浅层机器学习与模式识别算法已经不能满足处理如此大量的医学影像样本的需要。由于深度学习可以通过大量样本来学习特征,使得深度学习模型在如今的互联网信息爆炸时代有了用武之地,近些年来,深度学习的蓬勃发展,出现了大量基于深度学习思维的模式识别算法,它们在许多领域有了较为成功的应用,深度学习与计算机医疗辅助诊断相结合已民成为了计算机视觉及模式识别等技术的主要应用研究方向之一。卷积深度信念网络(Conventional Deep Belief Network,CDBN)模型是由受限波尔茨曼机(Restricted Boltzmann Machine,RBM)拓展过来的,是一种应用于图像数据的非监督深度学习模型。它结合了卷积神经网络(Convolutional Neural Network,CNN)的权重共享以及局部视觉野的特性,同时采用了深度信念网络(Deep Belief Network,DBN)的非监督学习算法,在图像分类领域里已取得了不错的研究成果。本文主要研究了卷积深度信念网络模型在医学影像图片分类中的应用,主要研究内容如下:1.首次将CDBN模型应用于颅内出血CT图像的特征学习,用支持向量对图像特征进行了分类,取得了很好的分类效果。2.提出了关于CDBN在CUDA框架下的并行实现方法。3.将基于矩估计自适应梯度算法应用于CDBN训练算法,在保证了图像的分类准确度的情况的同时,加快网络收敛速度。