医学设备的发展使得医学影像技术得到了很大的提升,使用医学影像图片对病例进行诊断变得越来越重要。如果能够通过医学图像得到精确的诊断,就能让病人减少手术等侵入式诊断造成的伤害。但是随着相关病例越来越多,医生可能每天都要依靠经验去诊断,巨大的工作量会导致误诊率上升。因此,在近年来的医学图像研究中,不少研究人员采用深度学习技术进行辅助诊断,该方法展现了更高的效率,也取得了很多研究成果。然而在非小细胞肺癌分类研究上,对于肺鳞癌和肺腺癌图像分类,大多数研究并没有考虑到图像中癌细胞特征相似的问题,其使用的深度学习模型在处理该问题上具有一定局限性;同时许多分类精确度高的模型参数量大,占用计算资源过多,运算速度并没有很快,并不适合移植到一般设备上,而常用的轻量化模型对非小细胞肺癌分类的精确度又太低。因此,本文对上述两个问题开展了研究,提出两个改进的卷积神经网络模型去解决这些问题。本文的主要工作如下:（1）针对肺鳞癌和肺腺癌存在特征相似的问题,本文提出一种基于Inception V3多分类模型ISANET去解决。该模型在原模型不同位置嵌入不同的注意力机制,利用注意力机制加强模型对图像关键位置的特征提取,从而提升模型对特征相似的肺癌图像分类的精确度。最后使用三个数据集做模型相关指标验证,精确度指标上分别达到了99.6%,95.24%和98.14%。（2）针对模型轻量化研究,本文提出一种基于Mobile Net V2的模型SSMob Net去解决。该模型使用网络剪枝的轻量化方法,将原模型通道数变小,然后使用通道注意力机制加强通道上的关键特征信息提取,再将原模型的平均池化替换为空间金字塔池化,达到多尺度特征融合并且解决图像尺寸不一放缩导致信息丢失问题。最后使用三个数据集做模型相关指标验证,精确度上分别达到了98.79%,96.12%和97.4%,并且参数量和计算力也远低于现有常见模型,参数量仅有1.642M,计算力为1.763G。（3）设计并实现了包含上述两个模型的非小细胞肺癌分类诊断原型系统。由于SSMob Net是轻量级模型,因此又设计了一个移动端系统来检验该模型是否能移植到一般设备上。两个系统都是通过接口来调用常用的CNN算法以及ISANET和SSMob Net,将诊断结果展现在界面上。