肝癌由于其高发病率和高死亡率而成为全世界癌症死亡的主要原因之一,早期肝癌的检测与治疗是有效降低肝癌死亡率的重要途径。近年来,医学影像分析在肝脏疾病诊断中起到越来越重要的作用,医学图像分类作为医学影像分析中的一个重要研究方向,其在肝病的病理分析、临床诊断、手术动态规划和计算机辅助医疗等方面有着广泛的应用价值和研究意义。在近几年的医学图像分类的研究中,深度学习表现出了比传统机器学习方法更好的性能和更高的效率。深度学习能更加方便的建立分类模型,能够将特征提取和分类识别融为一体,减少了复杂的特征提取过程。因此,本文将深度学习和医学图像识别技术相结合,对CT图像肝脏肿瘤检测识别展开了研究,具体研究内容如下:1)临床上肝脏肿瘤个体差异较大、与周围临近组织灰度对比度低,其识别准确率往往不高。深度学习模型训练需要大量数据驱动,而现实中可用于训练的有标签数据往往很少,深度学习模型通常无法进行有效的特征学习,且会导致模型存在严重的过拟合问题。针对上述问题,本文提出了基于特征融合对抗学习网络的肝脏肿瘤分类方法,该方法首先进行自动编码器训练,然后将训练好的自动编码器的编码器嵌入ASENet模型中作为特征提取器,其中编码器仅用于深度特征的提取,最后将提取的特征传入分类模型中与对应卷积层的特征进行融合和对应的深度特征对抗学习训练,从而实现对肝脏肿瘤的有效分类。2)临床上包含肝脏肿瘤的CT图像中,只有少部分能被医生赋予标签,而存在的大量肝脏肿瘤数据通常无法得到有效利用。研究中少量有标签的肝脏肿瘤数据通常无法满足深度模型的学习训练需求。因此,本文提出了一种基于半监督多尺度深度特征集成网络的肝脏肿瘤分类方法。方法由U-Net模型和SENet分类模型组成,其中U-Net模型可以利用临床上存在的大量无标签肝脏肿瘤数据进行无监督训练,其学习的特征可以用来辅助分类模型进行有监督的分类训练。同时,分类模型可以利用来自U-Net模型的多尺度深度特征进行深度特征集成分类训练,从而提高对肝脏肿瘤的分类效果。实验表明提出的方法可以有效提高对肝脏肿瘤进行分类效果。