受雾霾天气增加等环境因素和遗传因素影响,鼻部相关疾病发病率呈逐年上升趋势。目前鼻内窥镜是检查和手术治疗鼻部疾病的常规方法,常见的鼻部疾病包括鼻息肉、真菌性鼻窦炎和鼻腔肿瘤等。但是由于鼻部病变区域具有难以分辨、隐蔽性强等特点,从而导致较高的误诊率。现在深度学习技术已经在医学图像处理领域得到了广泛应用,如何将深度学习应用到鼻部病变区域辅助诊断尚需深入研究。本文收集了202位患者鼻内窥镜手术视频,接着截取视频帧,从中选取3041张标注病变区域,从而建立了鼻内窥图像数据集,并在该数据集上研究了基于深度学习的鼻部病变区域辅助诊断方法,主要工作包括:为了实现高准确率识别病变区域,针对鼻内窥镜图像下病变区域多尺度剧烈变化下的识别问题,将密集空洞卷积（DAC）和残差多核池化（RMP）模块嵌入到U-Net模型中,使用级联的空洞卷积和池化操作,密集提取不同尺寸的图像特征,实现了可接受任意尺寸的病变区域识别。针对病变区域与正常区域颜色相近难以分辨的问题,在U-Net模型中引入了注意力机制包括Transformer,通过多次迭代训练,使网络的注意力集中在病变区域。并使用Res2Net作为主干特征提取网络,Loss函数取BCE Loss和Dice Loss加权平均。实验结果表明,本论文的方法Art Ce Net与Deep Snake、U-Net、Att-U-Net和CE-Net相比,Io U和Dice Score分别提高到87.7%和92.7%。为了实现在鼻内窥镜视频中实时跟踪病变区域,本文研究了基于检测的离线跟踪算法TLD和KCF以及基于深度学习的在线跟踪算法Siam Mask。针对Siam Mask空间信息不足的缺点,提出使用多尺度特征融合模块,在融合不同尺度特征的速度和精确度基础上,给出了Siam Mask-U2,3,4的最优配置,使其召回率达到了87.37%,速度是32.967fps。最后使用本论文Art Ce Net的识别结果初始化Siam Mask-U2,3,4,实现鼻内窥镜视频病变区域完全智能化识别跟踪诊断。最后将本论文中的识别Art Ce Net和跟踪Siam Mask-U2,3,4算法部署在基于B/S框架上搭建了鼻内窥镜辅助诊断系统。实验表明,系统初步实现了鼻部常见疾病的辅助智能诊断,为远程医疗打下了基础。