基于医学图像的计算机辅助诊断通常被看作医生的诊断决策参考和“第二意见”,它能减轻医生的工作负担同时提高医疗诊断精度。医学领域专家标注数据非常昂贵,有些病例稀少,获得大规模医学数据分析标注样本数据非常困难且不现实,医学领域存在少数据挑战。机器学习在医学图像分析中起着至关重要的作用,已成为最有前途的研究领域,现有深度学习方法的成功依赖于大规模标注数据集,因此利用迁移学习方法对肿瘤图像进行诊断分类变得极其自然,以医学分析数据样本作为目标域,其他具有丰富标注的无关或有一定关系的数据样本作为源域,能利用另一个与目标域数据分布不同但语义相关的源域中足够标记的样本来识别目标域的任务样本正成为一个越来越重要的主题,这无疑将很好地解决医疗领域中的少数据问题。本文针对肿瘤识别中任务缺乏大规模数据集训练的难题,基于迁移学习构建肿瘤图像识别模型,提升了网络对于肿瘤图像的特征提取能力,获得了更好的精度。本文的主要工作如下:首先,提出一种基于正则卷积网络和迁移学习的肿瘤识别模型。该模型针对肿瘤识别任务的特点对VGG16深度网络做了改进,通过L2正则优化网络,并微调预训练好的卷积基中的最后三层,将源数据集预训练好的网络成功迁移到肿瘤图像数据集中。我们通过大量的对比试验,验证了该模型在肿瘤高维小样本数据集上的可行性和优越性。其次,本文结合基于特征的迁移学习,首次进行了肿瘤病理图像无监督域自适应分类研究,提出了基于对抗网络的域自适应肿瘤识别方法。该算法在源域和目标域上训练一个二分类器,使其与自建的特征提取器相互博弈,从而学习到域不变特征。接着,在该特征上使用源域分类器进行标签预测。实验表明基于对抗网络的域自适应方法的有效性,并且识别恶性肿瘤图像的精度得到进一步提高。