医学病理图像精准的自动分类一直是深度学习领域研究的重要问题。但传统的人工提取特征并进行图像分类,通常需要深入的知识以及更加专业的研究人员来提取和计算高质量的图像特征,这样的操作一般需要耗费大量的时间并且分类效果不理想。本文针对医学图像分类问题,着重研究了基于深度神经网络的医学图像分类,主要研究工作如下:为了解决乳腺癌病理图像分类准确率低的问题并协助病理医生精确诊断,基于Dense Net-201提出了一种Dense Net-201-MSD的改进网络模型,以实现对医学病理图像进行分类。通过对图像进行预处理并使用多尺度分解代替卷积神经网络中的池化层,以防止因图像数据集的维度过大导致过拟合。依次添加BN层、Softmax激活函数和优化器Adam,用于提升网络模型的性能和识别精度。在Brea KHis数据集上验证该模型的性能,结果显示对于四种不同的放大倍数的图像分类准确率分别为99.40%、98.81%、98.21%和99.40%,该方法有效的提高了图像分类的准确性,因而具有一定的医学临床应用价值。根据肺炎图像分类问题,结合改进的DenseNet-201神经网络对其进行分类识别操作。首先,对Chest X-Ray数据集的肺炎图像进行“图像反转”处理。其次,提出一种简化的多尺度分解方法对反转后的图像进行降维操作,以防止由于图像数据集维度过大而导致的过拟合。最后,在网络中依次加入BN算法、Softmax和优化器Adam从而辅助网络模型性能和分类准确率的优化。实验结果表明,使用Dense Net-201神经网络对处理后的图像数据集进行训练效果显著。