近年来,消化内镜作为一种微侵入的检查方式在胃肠道及胆胰疾病诊断中得到广泛应用。白光胃镜作为消化内镜的一种,常用于上消化道诊治,由于我国医疗资源分布不均匀,普通白光胃镜仍在我国广大医院中被使用。然而,病患数量巨大和内镜医师的数据不足、诊断水平参差不齐导致我国消化道内镜的发展重数量而轻质量。为提升消化内镜的检查质量,基于深度学习的人工智能辅助诊断技术受到广大医生及科研人员的关注。由于白光胃镜影像存在差异性大、影响因素多、图像质量低等问题,国内外研究相对较少。目前卷积神经网络在消化内镜诊断领域取得了不错的成绩,针对以上问题,本文基于卷积神经网络对白光胃镜影像进行消化道疾病分类诊断的算法研究和系统原型设计,具体工作如下:1.针对白光胃镜影像差异性大、存在大量文字、插管等的问题,本文采用YOLOv3算法实现对噪声的检测,结合中值滤波方法和Sym4小波变换算法对图像进行去噪处理,同时通过数据增强、裁剪等算法对图片进行预处理,提高样本的质量。2.针对白光胃镜影像的特点,对Res Net网络进行优化并提出了一种新的算法Res Net+模型用于白光胃镜影像分类识别的。通过移动Res Net最大池化层、替换激活函数等方法,提高了Res Net+模型的准确率、泛化能力和训练速度。通过对比常见消化道疾病分类模型的测试结果,发现优化后的Res Net模型整体准确率要提高2-5个百分点。同时,卷积神经网络大多取得很好的实验效果,其中优化后的Res Net实验效果最佳,分类识别模型的F1值最高达到94.87%。3.基于本文的研究结果,设计和开发了消化内镜影像辅助诊断系统。该系统通过整合深度学习技术和大数据技术,实现了对消化内镜影像的实时同步和实时辅助诊断。通过对消化内镜影像实时辅助诊断,能够指导和辅助医生的胃镜检查,提高医生的工作效率和医疗质量。论文的研究成果验证了卷积神经网络在消化内镜分类模型的可行性,分类模型实验大多取得了较好的结果,为常见消化道疾病的分类识别提供了技术支持。通过设计和开发消化内镜影像辅助诊断系统,实现了对患者的消化内镜检查实时辅助诊断,充分发挥了模型的临床价值。