目前,临床医生对许多疾病的诊断都依赖于对医学图像的观察分析。然而,由于医学仪器本身成像质量的局限性以及临床医生在观察分析时的主观误差,会导致误诊或漏诊的现象发生。为了解决这个问题,基于计算机辅助诊断的图像自动分析方法一直备受瞩目。近年来,深度学习方法因其强大的特征自学能力,被不断引入到医学图像领域的各种应用中,如疾病分类、预测、病灶分割等,且都获得了较大成功。相比于传统的机器学习方法,深度学习方法能够免去特征工程的繁杂,通过卷积等操作高效地识别出目标特征进而完成特定任务。然而,其在医学图像领域的应用仍面临许多困难。医学图像的数据量往往较小,这会使得模型训练不充分,导致模型性能较差;成像仪器由于硬件或者参数的不同成像结果差异较大,有些仪器成像质量较差,这些因素进一步加大了模型优化的难度,且对模型的泛化能力要求较高。针对上述问题,本文基于胎盘超声图像和皮肤镜图像来探索深度学习方法在医学图像领域的应用。主要研究成果包括基于混合描述符的胎盘成熟度自动分级、基于卷积描述符聚合策略的黑色素瘤自动识别以及基于双判别强化生成对抗网络的皮肤损伤区域自动分割。在胎盘成熟度分级的研究中,本文主要提出了一种混合模型,将多个卷积神经网络中的卷积特征与手工特征融合,然后进行Fisher向量编码,从而实现自动分级。此模型兼顾了手工特征富含的局部信息以及卷积特征所包含的深度信息,两者互补,从而更好地表达图像。为了解决数据量不足的问题,本文通过数据增强来扩充训练集,并采用了迁移学习策略,防止出现过拟合。大量的实验结果证实了本文方法的有效性。对于皮肤镜黑色素瘤的识别,提出了一种多网络混合编码框架。该框架提取了多个不同类型的卷积神经网络的深层特征,这些特征在信息上具有一定的互补性。接着使用卷积描述符聚合方法对每个网络的卷积特征进一步选择并融合,从而获得信息丰富且冗余较少的特征表达,在保证特征有效的同时减少计算负担。然后,再用Fisher向量对混合特征进行编码。此模型在ISBI 2016和ISBI 2017数据集上进行了验证,并取得了较好的结果。此外,本文还提出一种基于双判别生成对抗网络的皮肤损伤区域分割方法。通过在生成器中加入稠密空洞卷积模块以获取更多的细粒度信息并扩大感受野。在判别模块中使用两个判别器共同约束生成器的输出,从而实现皮肤损伤区域的精确分割。相较于其他分割网络,本文推荐的网络能够学习到更多图像细节,有更强的监督效果。此模型在ISIC 2017的数据集上进行了验证,获得了更好的结果。