鼻咽癌是我国高发恶性肿瘤之一,占我国头颈部恶性肿瘤发病率的首位。早期治疗是提高肿瘤治疗疗效的最有效方法之一。无论是原发鼻咽癌的早期诊断还是复发鼻咽癌的早期诊断,都能为患者赢得更早的治疗时机,一定程度上提高患者治愈率和生存率。因鼻咽癌发病部位隐匿,发病早期的临床症状不典型,缺乏特异性,确诊鼻咽癌存在一定难度,容易造成漏诊、误诊。鼻咽壁和腺样体的良性增生在成人中很常见,其影像学特征与早期鼻咽癌的相似,增加了早期鼻咽癌诊断的难度。肿瘤局部复发的诊断通常受到治疗后鼻咽组织变化的影响,如坏死、水肿、炎症、纤维化和疤痕等。MRI对软组织的检查具有高空间分辨率,对骨髓浸润的检测具有敏感性。因此,MRI是临床实践中鼻咽癌识别、分期、疗效评估和治疗后随访的首选成像方式。基于深度学习的计算机辅助诊断技术为癌症诊断提供更科学、客观的结果,可以实现在缩短确诊时长的同时提高癌症诊断的准确率、降低漏诊率。因此本研究尝试将鼻咽癌磁共振影像和深度学习方法结合,对早期鼻咽癌患者和复发鼻咽癌患者进行高效且准确的诊断,为患者争取更早的治疗时机,延长患者的生存周期,以及提高患者的生存质量。基于深度学习方法,本学位论文针对早期鼻咽癌影像数据和治疗后鼻咽癌影像数据分别建立了相应的诊断模型,主要研究内容如下:（1）针对早期鼻咽癌影像数据,本文设计了基于迁移学习的卷积神经网络模型对早期鼻咽癌和良性增生患者进行辅助诊断。为提取更有益于模型分类的特征,我们对影像数据进行感兴趣区域勾画。并通过采用五折交叉验证方法划分数据集、利用数据增强技术扩展训练数据的方式,来提高模型的泛化能力和鲁棒性。基于预训练的DenseNet169达到了最优的结果,准确率为0.9296,敏感度为0.9452,特异度为0.9066,F1分数为0.9379,AUC值也达到0.9712。（2）针对治疗后鼻咽癌影像数据,本文提出了一种新的卷积神经网络模型对复发鼻咽癌与放疗后改变进行鉴别诊断。我们在改进后的Inception V2模块中引入了坐标注意力模块,然后构建新的模型。该模型可以提取多尺度特征以及具有方向感知和位置感知信息的通道注意力特征,增强了模型的特征表达能力。此外,为提高结果的鲁棒性,应用了五十次留出法的平均结果来评估模型的性能。结果显示,我们构建的CNN模型达到了 0.8608的准确率,0.8的敏感度,0.8979的特异度,0.8136的F1分数,以及0.8949的AUC值。与其他模型相比,新的CNN模型准确率更高、耗时更短。