胃癌的早期诊断与患者的预后密切相关。如果能准确评估胃癌的病理状态信息,临床医生可以针对患者的实际情况进行个性化治疗,更加有效的评估患者预后。传统的胃癌早期诊断主要依赖于病理活检,其不仅受限于胃镜操作者的临床经验,而且给病人造成侵入性损伤。近年来,CT成为重要的癌症辅助诊断技术,医生可以借助CT图像对癌症进行初步判断。研究证明,CT图像的纹理分析对胃癌的分化程度诊断具有重要的参考价值。利用深度学习的方法对CT图像进行胃癌病理分析为癌症诊断提供了一种非侵入性的方法。医学图像临床实际分类任务往往要求模型具有较高的特征表达能力,而现阶段的深度学习模型对胃癌CT图像特征表达能力有限,分类效果不理想,同时还依赖大量的数据集和精准的标注信息。因此,本文基于CT图像对胃部病灶分化程度分类进行研究,针对模型特征表达能力有限和胃部CT数据集少的问题,提出了基于Res Next的胃癌病灶分类模型Aux-IDPNet（Auxiliary training and Improved-DPN Network）和引入自监督学习与注意力机制的胃癌病灶多分类模型SSP-PSSANet（Self-Supervised Pre-training with Pyramid Squeeze and Spatial Attention Network）。基于上述模型,开发了利用CT图像对胃癌病灶分类的系统,用于临床医生的辅助诊断。本文的工作主要有以下四个方面:（1）本文提出了基于多模态数据的预处理方法。为了更好地表征胃部病灶,提高分类效果,本文对CT图像数据进行了有效的预处理,从医生提供的临床病理状态信息中提取出标签信息,并且详细说明了弱监督标注的提取,最终得到用于训练的数据集。（2）针对所使用的带有弱监督标注的数据集,本文提出了Aux-IDPNet模型。该模型引入了注意力图生成器,并且改进了DPN结构,从而提高模型对于CT图像特征的重复挖掘能力,进而能学习到更多新特征;设计并增加了辅助训练分支,通过引入医生的弱监督标注作为外部学习信息,提高模型的准确率。（3）针对胃部医学图像公开数据集少且存在类别不平衡的问题,本文提出了SSP-PSSANet模型实现对胃癌病灶分化程度的多分类。该模型融合了自监督学习的思想,首先放弃标签信息进行训练,然后用预训练模型进行监督训练来强化分类效果,有效地弥补了现阶段胃部CT数据集少,并且类别不平衡的问题;同时提出了新的PSSA注意力模块,让模型能够更有效地提取到不同尺度的空间信息,并形成长距离的通道依赖性,更精确地合并相邻尺度的上下文特征,使得模型更关注胃癌病灶部分,挖掘出更多病灶周围包含的隐晦信息,进而提升了模型的分类效果。（4）基于上述模型研究,本文设计并实现了胃癌病灶分类医疗辅助系统,实现了对于医疗CT图像数据的读取、切片展示、预测分类结果、并且在医生的确认下生成关于胃癌的医学检测报告,为医生提供了有效的医疗辅助。本文对115例具有分化型标签的数据集和208例具有分化程度标签的数据集中进行了实验,并且在二分类上获得了0.8135的AUC,在多分类上获得了0.7372的F1-scores,均优于对照方法,能够较好地区分“分化型”和“未分化型”以及病灶的分化程度,证明了本文研究方法的有效性。