肾癌是泌尿系统常见疾病,其逐年上升的发病率和死亡率对人类健康构成严重威胁。肾癌诊断精度的提高有助于对肾癌的准确分期,对于制定治疗方案以及预后判断至关重要。PET/CT既能够进行病灶精准定位,又能获得代谢和功能信息,是临床上肾癌影像学诊断中的常用技术。临床上医生对PET/CT影像的分析会受到多方面因素的影响。随着计算机技术的不断进步,设计准确性高、鲁棒性强的肾癌分类网络实现对肾癌准确高效地进行分类和筛查成为研究热点。本论文对肾癌分类算法进行全面深入的研究。利用卷积神经网络强大的特征提取能力,充分挖掘复杂PET/CT高度抽象的特征,通过迁移预训练的模型参数,实现源域通用特征到目标域过渡的同时降低模型对训练数据量和时间的需求,通过将PET影像和CT影像进行深度特征融合,实现特征的充分利用,最终实现更优的肾癌分类性能。论文的主要研究内容包括以下几方面:首先,对深度卷积神经网络的基础理论进行研究,深入理解各层的工作原理、训练及优化过程,并在此基础上分析目前在医学影像分类领域应用深度学习的困难和局限性,引出迁移学习的理论,并详细分析迁移学习特点和优势。对于深度学习中面对样本量较小的局限性,从数据模型标签三个方面分析了加强模型抗过拟合能力的正则化手段,为后续构建基于深度学习的PET/CT肾癌分类模型奠定基础。接下来,基于PET/CT特征融合实现肾癌分类。首先深入研究了PET/CT的成像特点及其在影像学诊断中的意义,进一步分析PET/CT影像的数据读取以及预处理方法。其次详细研究传统医学影像分类的方法。接下来,将Image Net预训练的网络模型参数迁移到PET/CT肾癌分类任务中,在此基础上将PET图像和CT图像进行特征融合,构建分类模型对一体化表达的特征进行分类。最后,基于三维卷积神经网络进行PET/CT肾癌分类。考虑到影像科医生临床诊断时将切片间的空间信息作为诊断依据的一部分,为了更好的利用PET/CT序列影像相邻层面之间的信息,设计三维卷积神经网络充分利用医学影像的序列层面的特征,提取鲁棒性更强且更加满足医学影像分类任务的特征。本课题在三组数据集上取得了更精确地分类结果。