小肠是人体消化系统中的重要组成部分,其健康状况影响着人体健康。小肠在消化系统中所处位置特殊且结构形态复杂,采用传统侵入式的消化道内窥镜对小肠健康状况进行检查呈现出一定的局限性,同时会给病人带来极大的痛苦,因此目前大多数医院推荐患者使用安全无痛的无线胶囊内窥镜。但无线胶囊内窥镜所获取的医学影像数据庞大,不仅加重医务人员对疾病筛查的工作量,而且延误疾病诊断和治疗。因此,研究一种能从无线胶囊影像中有效且自动检测小肠疾病的方法具有十分重要的临床意义。随着深度学习方法在各领域研究的不断深入,并表现出较强的能力。本文提出了一种基于深度学习的小肠疾病自动检测方法。首先,给出基于更快速区域卷积神经网络(Faster RCNN)的小肠疾病检测方法。该方法由特征提取、候选区域建议、目标定位三部分组成。在特征提取中利用ResNet50网络获取小肠图像的特征;在此基础上,以滑动窗口的形式在特征图上获取候选病灶区域;最后利用目标定位网络实现对候选病灶区域的筛选定位。该方法能够有效地对小肠占位(小肠内异常凸起)和溃疡进行检测。其次,提出基于稀疏特征的小肠出血检测方法。构建了包含卷积层的稀疏自编码器,无监督的提取小肠图像的稀疏特征,使用多个分类器对小肠稀疏特征进行分类并比较选出最优的分类器。该方法能有效地从大量的小肠图像中识别出小肠出血。最后,构建了Faster RCNN和稀疏自编码器的联合网络。该联合网络使用Faster RCNN去筛查样本中的占位和溃疡病变,然后将剩余的非占位和非溃疡样本送入到稀疏自编码器中对小肠出血进行检测,层次化的完成了对小肠疾病的检测,发挥了Faster RCNN和稀疏自编码对小肠疾病检测的优势。实验结果表明,该网络不仅能够对多种小肠疾病进行检测,并且灵敏度高。为了验证实验的有效性,本文采用东部战区总医院提供的无线胶囊内窥镜图像作为数据集,进行了一系列的性能测试实验。实验结果表明,本文所使用的深度学习网络模型能够对无线胶囊内窥镜图像中的小肠疾病进行有效地检测。