胃肠道相关疾病正在成为人们健康的严重威胁,选择在早期使用内镜诊断治疗技术,早诊断早治疗,就能大大减低其恶化几率。内窥镜作为医生检查病患的必备装备,它设计巧妙,种类较多且不断发展更新,其中发展前景较突出的一类是胶囊内窥镜(CE)。CE检查时会产生数量巨大的内镜视频或者图像资料,如果仅由人工方式标注或者识别检测,将花费大量的时间和人力,另外,人体肠胃道器官组织结构十分复杂,异常类型图片外观迥异,诊断难度很大。文中目的即提出一种内镜图片检测分类算法,能够实现内镜自动精确分类以减轻医护人员的工作量,并加快诊断速度。前人研究的分类方法多是基于人们经验认知人为设计的传统特征,这类特征普适性不高,能够分类的病灶种类有限,分类精度有待提升。针对文中的多病灶CE数据集,文中首先提出了一种融合多种传统特征的分类方法,选用不同类型特征并使用多种特征融合策略,目的是为了融合更多的有用信息,最后得出基于多特征融合分类方法能够更好地适应胶囊内镜图片的多分类任务。近年来,人工神经网络尤其是深度卷积神经网络(CNN)由于其能够提取到高层语义信息,且适应性、通用性较传统特征更好,逐渐成为研究热点,然而深度学习对样本数据量要求较高,在某些数据集(尤其是医学数据集)中容易过拟合,此外深度学习模型提取的顶层特征对于局部刻画以及几何不变性相对传统特征较弱。文中的另一项研究是,选择合适的深度特征与传统特征融合方法,使得最后得到的模型能够结合两种特征模型的优点,提高特征对数据集适应性以达到文章预期要求。通过论文研究表明,在文中包含多类别胶囊内镜数据集分类任务中,特征融合方法能够更好实现特征互补,利用深度特征和传统特征融合的方法,优于单独采用的CNN特征以及传统特征分类方法,甚至是传统特征之间的相互结合方法,最终在增加了少量运行时间的同时,明显提高胶囊内窥镜图像识别精度指标,这显示了本文研究内容广阔的应用前景。