胶囊内镜(Capsule Endoscopy,CE)作为一种非侵入式的消化道系统疾病诊断设备,具备无创伤、无痛苦、无交叉感染等优点,已经广泛地应用于人体胃肠道器官的检测中。但是海量的内镜图像给临床医生的诊断带来了极大的负担,已经成为了CE推广应用的主要障碍。针对于CE图像病灶识别的计算机辅助诊断系统是解决上述问题的有效途径。现有的CE图像病灶识别方法中所使用的卷积神经网络(Convolutional neural network,CNN)结构简单,层数较浅,难以满足高效的语义特征要求。同时现有的识别方法往往针对于单一的病灶种类,针对多病灶的识别方法精度太低。无法满足实际应用需求。针对于CE图像的病灶识别中CNN网络结构单一,层数较浅的问题,论文采用了 InceptionV3,ResNet50,ResNeXt50三种结构复杂多样,层数较深的CNN提取语义特征。针对于CE图像的病灶识别中多病灶识别精度低的问题:论文提出了将语义特征与传统人选特征进行融合与降维的胶囊内镜图像多病灶识别方法,与一种基于多层感知机(Multilayer perceptron,MLP)的监督学习特征融合与降维方法;在此基础上考虑到不同特征组合与融合方法对不同类病灶的识别精度不同,根据分类器对每类病灶的识别精度的先验知识,提出了一种基于贝叶斯定理的分类器结果融合方法。论文实验结果表明,CNN提取的语义特征与传统特征具有一定的互补性,经过语义特征与传统特征融合降维后的特征比所有单一特征具有更强的表征能力,能够满足多类CE图像病灶识别要求。基于传统特征与语义特征融合方法的识别精度为:93.16%,同时基于贝叶斯定理结果融合的方法进一步提高了识别精度,识别精度达到了 94.80%。这些实验结果表明了论文研究方法的先进性,具有一定的应用前景。