颅内血肿是颅脑损伤中常见且严重的继发性疾病,会使患者产生意识障碍、脑疝等症状,严重影响患者的生活甚至威胁患者的生命。因此,对颅内血肿的早期识别和处理,是为病人争取最好治疗效果的有效诊断和治疗前提。然而,人工识别颅内血肿效率较低,严重影响病人的治疗进程,耽误最佳治疗时机。随着科技的发展,利用计算机辅助医生诊断的方式逐渐被公众认可,其中深度学习凭借其在各个领域的突出表现,也逐渐被应用到医学影像领域并被证明是提高医学影像分析效率的有效方法。但是,深度学习通常需要大量的数据来帮助训练预测模型,由于临床上的图片资料存在法律和伦理问题,目前针对颅内血肿分类的完备数据集尚未被开发,导致针对该领域的深度学习模型的预测精度得不到提高。为了解决上述问题,本次任务结合医生的诊断报告建立了一个全新的颅内血肿分类数据集。该数据集仅标注了图像级标签,使得其可扩展性更强,可利用率更高。由于三种颅内血肿外形上存在着相同子类间差异较大而不同子类间又具有一定的相似性的特点,本文就该数据集给出了两种新颖的颅内血肿细粒度分类方法:金字塔跨层双线性池化网络和基于双重注意力机制的跨层双线性池化网络。第一种网络模型使用金字塔融合的方式实现了不同尺度特征图的双线性池化通信,使得具有不同尺度和特性的特征层之间以一种相互增强的方式学习细粒度特征,从而提高了模型对形状、纹理、大小等细粒度特征的识别能力,进而提高了后续任务的分类精度。第二种网络模型为了在跨层双线性池化通信阶段能够从图片当中挖掘更多的数据特征,从而引入一种位置注意力机制,将病灶在颅脑中的位置与创伤种类紧密联系起来。此外,本文改进了双线性池化模型传统连接方式,使用通道注意力机制对双线性池化结果进行加权融合,以此来提高颅内血肿分类的精度,进一步增强了网络的可解释性。本文给出的两种细粒度图像分类模型分别在本文建立的颅内血肿数据集上进行实验。实验结果表明,本文给出的方法与现有的先进方法相比,有效地提高了颅内血肿的分类精度。