近些年,随着人工智能和医学影像技术的快速发展,基于深度学习的智能医疗影像辅助诊断也取得亮眼成绩。在医学影像分类和分割任务中,一些深度学习方法已经取得媲美专业医生的水平。然而,由于不同医疗中心采集的数据之间存在域偏移问题,一个医疗中心（域）上训练的模型在另一个医疗中心（域）上精度下降,影响深度学习技术在临床中的应用。为了解决域偏移问题,研究人员提出了域适应方法,该方法旨在消除域偏移问题,利用源域数据提升模型在目标域上的精度。除了域偏移外,与自然图像不同,医学影像还面临两个独特的问题:（1）获取大规模、高精度、有标注的医学影像数据十分困难。（2）由于存在隐私保护条例,共享医学影像数据十分困难。基于上述分析,本文围绕着域适应方法和医学影像分类与分割任务展开研究。在不侵犯数据隐私的情况下,解决域偏移问题,利用源域数据提高模型在少量或无标注数据的目标域上的性能。主要工作如下:1)提出一种基于跨层对齐的无监督域适应医学影像分类方法本文提出一种基于跨层对齐的无监督域适应医学影像分类方法（Unsupervised Domain Adaptation Method based on Cross-layer Alignment,CADA）。该方法设计一个语义跨层对齐模块,对齐不同层次的语义信息,来解决域偏移问题及其在分类任务中导致的语义错位问题,并引入信息熵损失优化模型,提高模型在目标域上的泛化性。在不使用目标域上的标签的情况下,在目标域上训练一个达到基本医用水平的模型。在公开的数据集上验证该方法的有效性,在多域的胸部X射线和皮肤癌检测数据集上的平均准确率分别为76.5%和86.8%,均超过了现有的无监督域适应方法。2)提出一种基于块级数据选择的无源主动域适应医学影像分割方法本文提出一种基于块级数据选择的无源主动域适应的医学影像分割方法（SourceFree Active Domain Adaptation Method based on Patch-Level Data Selection,PLDA）。该方法在训练过程中,只将源域上预训练的模型给目标域,以避免泄露源域数据隐私。然后利用蒸馏损失将预训练模型蕴含的知识迁移到目标域上的模型中,解决域偏移问题。最后使用块级数据选择策略选择5%的目标域数据进行标注,使用5%的有标注数据和95%的无标注数据在目标域上训练出高精度的模型。在公开的多域数据集上验证该方法的有效性,在眼底数据集上的Dice平均值为0.818,在前列腺数据集上的Dice值为0.748,接近并超过使用两个域数据训练模型的无监督域适应方法。