近年来,计算机自动读取医学影像并辅助医生进行诊断成为热门。计算机辅助诊断系统可以极大地减轻医生读片负担,缓解医疗资源分布不均衡的问题。近年来深度学习的迅速发展和计算机视觉领域的广泛应用为进一步提升计算机读片的准确性提供了参考。由于某些疾病的特殊性,很多病灶在医学影像上的特征并不明显。患者与健康人之间的差异较小,同一种病灶在不同患者的影像中也可能展现不同的特征,这就使得自动诊断系统在区别患者与健康人的影像时不可避免地遇到细粒度分类与识别的问题。目前已有众多面向自然图像的细粒度分类算法,但这些算法并未利用医学领域的特殊性质。本文针对脊骨脱位和椎体塌陷两种常见脊骨疾病,结合医生专家知识,提出两种网络模拟医生的决策过程。针对脊骨脱位问题中病灶特征微弱的问题,本文提出一种专家知识和数据共同驱动的分类模型。基于医生诊断时优先关注脊骨前后边缘这一先验知识,本文提出空间正则化项,以类别激活图约束模型注意力关注到脊骨边缘位置,从而达到知识和数据共同训练模型的目标。为了实现类别激活图回传梯度,本文提出了一种使用全连接层权重矩阵相乘来显式地生成激活图的方法,使得激活图的生成不再依赖于深度学习平台内嵌的梯度回传机制。实验表明,本文提出的方法可以有效提升分类的准确率,而且训练数据越少,性能的提升越显著。同时模型的类别激活图中高亮区域均分布在脊骨边缘附近,验证了通过激活图约束模型注意力的有效性。除此之外本文还测试了不同类型的主干网络,均可获得性能提升。针对椎体塌陷问题中三个类别分类边界模糊,以及医生标注中含有噪声的问题,本文提出基于相邻椎体上下文信息的椎体塌陷分类网络。该模型包含三个结构相同的输入分支,中间的分支输入待诊断的椎体,其余两个分支分别输入上下相邻椎体,这一结构模拟了医生诊断时通过将待诊断椎体与周围椎体进行对比的决策过程。在此基础上本文进一步使用两个特征共享的判别器,在特征融合之前对相邻输入分支提取的特征进行约束,使得提取的特征中更多地包含三块椎体所属类别的差异信息,在一定程度上克服分类边界模糊的难点。对于标注中的噪声问题,本文提出一种简单有效的标注噪声抑制方法。在训练模型收敛到一定程度时,标签含噪声的样本会产生较大的损失函数值,本文利用这一特点对噪声样本进行筛选,抑制损失函数值较大的噪声样本的梯度回传,从而减轻标注噪声的影响。实验表明,本文提出的方法可以有效提升模型性能,并且通过t-SNE可视化发现三个类别的样本分布更加有区分度,同时本文进一步设计了消融实验,验证了每一个模块的必要性和有效性。