近年来,随着“人工智能”的火热,深度学习的方法几乎成为各个领域的首选研究方法,尤其是在医疗图像领域。在医疗领域中,使用生物医学影像对病人进行诊断是必不可少的治疗手段。新兴的深度学习方法,可以从医疗图像的大数据中,学习到隐含的疾病特征,其展现出的特有的强大的特征学习能力,迅速成为科研人员在医疗图像领域中研究的热点。对医疗图像的研究可以促进医疗事业的发展,提高医疗设施的精确性和可靠性,医生可以使用计算机辅助系统对病人进行辅助性的诊断,减少医生的工作负担,提高诊断效率,这对于医疗领域的发展具有非常重要的意义和价值。在医疗图像领域中存在着以下几种任务,包括医学图像的分类、识别、定位、检测和分割等任务。其中分类与分割任务是两个及其相似的任务,前者是图像级的分类,而后者是像素级的分类。图像分割是在分类任务的基础上又更加细致的区分每个像素所属的类别,需要将图像中的每一个目标识别出来,是基于像素的一种密集型分类任务,追根溯源分割的最终目的还是分类。本文主要所作的工作就是基于医疗图像的分类和分割展开的:1.在医疗图像分类任务上,利用经典的预训练好的深度学习模型,将新的归一化方法Switchable Normalization、以及Targeted dropout算法研究成果应用到模型中,再引入长短期记忆模型和注意力机制,在测试时使用TTA测试时增强技术,最后将训练好的模型做集成分类。2.在医疗图像分割任务上,利用二维图像分割任务上全卷积神经网络的思想,并结合主流二维图像分类深度学习模型结构,设计新的3D Inception网络结构和3D ResNet网络结构,使用3D Squeeze and Excitation结构并在部分层中使用空洞卷积结构,使之适用于三维医疗图像分割任务。本文在分类和分割任务上,分别使用了ICIAR2018数据集和Brats2015数据集来验证本文所设计的模型效果。研究结果表明论文所设计的模型在医疗图像的两个不同任务上取得了非常好的效果,在ICIAR2018数据集上实现了0.92的准确率,Brats2015数据集上在实现了0.86的准确率,明显优于其他公开发表的方法。