根据中国癌症中心发布的报告,脑癌是发病率第二高的儿童癌症,也是15-34岁成年人癌症死亡的第三常见原因。脑癌的治愈率并没有随着科技的进步而提升,只有及时发现并及早治疗才能有效提升患者的治愈率与存活时间。随着医疗影像技术的进步和推广,核磁共振技术（MRI）成为了脑癌的主要诊断方法,该技术可以帮助医生在不通过外科手术的情况下诊断出脑癌。但医疗影像的判读需要医生拥有丰富的临床经验,同时筛查细节较多的脑部图像耗费大量时间与精力,这对脑癌的诊断与治疗来说都属于不利因素。随着近些年机器学习领域不断的进步与发展,利用计算机视觉技术辅助医生判读医疗影像成为了热门的研究方向并在新冠肺炎疫情中得到了检验。传统的机器学习方法通过研究人员自行设计特征提取方法,对设计者的医学和计算机水平都有着较高的要求,极大的增加了研发周期和人力成本,不利于程序的部署与调整。由于脑部图像细节丰富,对图像进行缩放、裁剪等修改会影响判定结果的准确性。同时脑癌整体发病率不高,因为医疗伦理等原因使得能够用来学习的样本较少,且各类别分布不平衡,这些都对脑癌的诊断与分类提出了难点与挑战。针对上述难点与挑战,本文提出了一种新型的基于SRNP-Res Capsule网络模型。本文主要工作如下:1、使用跳跃链接的无池化残差结构提取高维特征。对于数据量较大的医疗图像,传统方法一般通过裁剪、池化等手段降低输入数据的大小,但上述方法同样依赖经验并且耗费时间。本文通过使用无池化的残差结构,为了防止特征的相对位置关系被破坏,移除了池化层;同时,在避免网络退化的前提下,增大了网络深度、提升了数据维度、减少了数据量。2、使用动态路由算法在小数据量、不平衡数据集上取得更好的效果。相较于不考虑数据相对位置与组合关系的全连接层,我们将数据分为多个胶囊,并通过动态路由算法计算高级胶囊进行求解。该算法有效的学习并利用了数据的平移不变性和旋转不变性,提升了模型在小数据量、不平衡数据集上的表现。3、使用缩放重构,在避免过拟合的同时提高了计算速度。高级胶囊中包含了其所代表类别的信息,可以通过重构大致还原原始的输入,在损失中加入一定权重的重构损失可以避免过拟合。但在大尺寸图像中,完全重构图像需要大量的计算资源,且容易发生梯度消失与梯度爆炸。我们与缩小的图片计算重构损失,在保证模型抗过拟合能力的同时,提升了计算速度。4、在Kaggle公开数据集上验证模型效果,并检验模型在不同数据量下的表现。