肝癌由于高发病率和高死亡率,现已成为影响人体生命的重点病症之一。肝癌的早期检测与治疗能有效降低肝癌的死亡率,医学影像是检测肝癌的有效手段。近年来,我国肝癌患者数量急剧上升,医学影像的数量每天呈指数增长,导致影像科医生工作量大幅增加。为了减轻医生的负担,许多学者致力于利用计算机技术实现海量医学影像的精准分类。随着深度学习的兴起,深度学习结合计算机技术辅助医生诊断已成为一种趋势。因此,本文结合深度学习和计算机技术对肝肿瘤CT图像进行分类研究,具体研究内容如下:（1）为缓解标签数据不足引起的过拟合问题,提出基于自监督对抗学习的Res Net肝肿瘤分类方法。该方法首先利用自监督学习,从大量无标注的肝肿瘤CT图像中获取病变区域的通用特征,然后将所提取到的额外通用特征引入到模型训练中,通过施加约束迫使模型减少解的搜索空间。此外,利用对抗学习策略约束模型对更深层的特征进行挖掘,增强特征表征。在一百二十个病例的514张CT切片上开展实验,实验结果表明,与其他前沿肝肿瘤分类方法相比,自监督对抗学习的Res Net模型可以有效缓解过拟合问题。（2）针对肝肿瘤易受背景噪声干扰导致模型难以有效提取病变区域特征的问题,提出基于多尺度注意力的Res Net肝肿瘤分类方法。首先在U-Net模型编码部分,利用注意力模块抑制无关区域对分类结果的影响,同时突出较为复杂的病变区域的特征。然后在残差网络下采样阶段,利用多尺度特征融合弥补图像下采样过程中空间细节信息丢失的问题,增加深度网络中的信息流。在包括四类病变共5127张肝肿瘤CT影像数据集上进行大量实验,实验结果表明,与主流的模型相比,多尺度注意力的Res Net模型能够有效抑制背景噪声,提升模型对肝肿瘤分类的准确率。（3）基于Python语言以及QT界面开发工具,设计并实现了医学图像分类原型系统,该系统集成数据预处理、图像分类、信息管理三大功能。面对海量医学图像能够快速准确分类,辅助医生进行临床诊断,提高诊断效率和准确率。