近年来,以卷积神经网络为代表的深度学习技术蓬勃发展,在图像分类等计算机视觉领域的经典问题取得了重大的突破,这些突破将会给部分依赖于图像主观判断的医疗应用带来革命性的变化。以角膜炎为例,角膜炎作为眼科常见致盲眼疾之一,在其诊断过程中,需要眼科医生通过裂隙灯拍摄眼部图像进行诊断,但是由于角膜炎病情复杂,种类繁多,眼科医生初诊成功率极低。本文使用卷积神经网络对角膜炎图像的细粒度分类进行了研究,主要工作如下:(1)综述了传统特征与深度学习在图像分类问题上的研究与发展,将角膜炎诊断问题与细粒度图像分类相结合,提出image-level的卷积神经网络模型,利用整体图像特征进行分类,使用焦点损失(focal loss)解决数据集样本不均衡,训练困难的问题。(2)根据角膜炎图像整体相似性高的特点,提出patch-level的模型,该模型更加关注局部特征的差异。使用了三种无监督的patch产生方法及其对应的筛选策略。提出patch选择与图像分类同时进行的多任务模型,使用alternative training的方法训练模型。(3)受到信息检索与排序的启发,利用同一病人的不同时期角膜炎图像,构建三元组(目标,正例,负例),提出基于三元组排序(tripletsranking)的模型,使得类内距离小于类间距离。(4)在预处理好的角膜炎数据集上,本文设计了多个对比实验将算法与基准模型进行了对比。结合可视化的中间信息,定性分析实验结果。(5)针对角膜炎特点,开发了角膜炎自动标注工具与标注标准。本文的主要贡献有:(1)针对细粒度角膜炎图像分类问题,结合眼科医生的诊断经验,尝试使用无监督学习方法提取局部特征,提高图像分类的结果。实验结果表明有一定的提升。(2)结合数据集特点,提出使用三元组排序的模型提升图像分类结果,实验结果表明有一定的提升。最后,细粒度视觉概念识别也在中国工程科技知识中心建设项目,国家重点基础研究发展计划等项目中发挥了重要的作用。