肝硬化等相关肝疾病日益威胁着人类的健康,因此对于肝疾病的诊断具有十分重要的意义。然而客观临床上采集的医学肝影像存在纹理结构不均匀,生理病变不清晰等问题,使得临床医师在主观诊断时容易存在一定的误差。因此针对上述问题,借助于计算机辅助诊断技术,本文首先在传统机器学习领域本文采用了MB-LBP和Gabor做特征融合,结合学习矢量化神经网络LVQ实现了对肝类疾病较好的分类。但是机器学习方法仍存在诸多弊端,人工提取特征耗时耗力,并且提取高质量特征存时也在一定困难。针对上述问题,本文进一步采用了深度学习的方法,其自动学习特征分类,极大提高了运行效率并且泛化性能力更强。本文基于该领域主要提出了两种识别系统:(1)本文首先使用了轻量级卷积神经网络SqueezeNet,相比较于传统卷积神经网络的网络层数多,结构参量大等问题,其具有更少的参数,训练更加方便高效,并且更加适用移动端或者嵌入式设备的深度学习应用。本文通过轻量级卷积神经网络SqueezeNet与SVM支持向量机相结合,较好的实现了对肝硬化识别分类。(2)其次,本文首次提出了一种新的模型结构GoogleNet-PNN,结合了GoogleNet卷积神经网络高效精准的学习图像特征和PNN概率神经网络训练容易、收敛速度快等的优点,并使用PSO粒子群算法优化了该结构,在肝病分类的实验中取得了较好的效果。由于深度学习的网络模型需要一定量的样本集训练参数使其达到最优,而现实中的医学图像的样本集数量远远小于自然图像集,若训练不充分容易产生过拟合现象并影响最终模型的性能。针对上述问题,本文采用了迁移学习和数据增强两种方法进行预训练和扩充数据集的方式进行优化。本文在最后实际应用了部分训练好的模型,在医学诊断具有很好的参考价值。