近些年来,以卷积神经网络技术为首的一批深度学习技术在自然图像处理领域崭露头角,特别在图像分类任务上,深度学习的方法已然超越了传统方法的效果。然而,与自然图像不同,医学影像中目标的特征可能并不明显,不同目标之间的特征也有相似之处。因此,如果直接将为自然图像设计的深度学习模型用于分类医学影像数据,其效果会有所降低。此外,现阶段大部分基于卷积神经网络技术的模型只关注于图像的空域数据,而忽视了包含冗余信息的图像频域数据部分,这意味着这些模型并没有利用数据所提供的全部信息。为了改善和解决上述问题,本文提出使用融合后的空频域特征及其多尺度特征来提升模型在医学图像上的分类精度,具体的研究内容包括如下三个部分:基于注意力机制的医学图像语义特征融合算法研究。本文首先展开了对眼底病灶多标签分类方法的研究,提出图像特征融合模块,利用主干网络所提取的具有丰富语义信息的深层特征去指导网络浅层特征的细化,以提取图像的多尺度特征,并针对数据的特点,提出病灶关联性学习模块,用于学习图像病灶之间隐含的关联性,以提高网络模型的分类精度。通过对实验结果进行分析,证明了多尺度图像特征以及图像中病灶之间隐含的关联性可以提高模型的分类精度。基于离散余弦变换的空频域特征融合医学图像分类算法研究。本文通过利用离散余弦变换提供的频域数据,提出基于注意力机制的频域信息筛选模块,对频域特征图上的信息进行筛选,并将筛选后的频域数据与网络中的空域特征进行融合,得到最终的空频域特征。通过在青光眼眼底图像数据集上进行实验,证实了多尺度特征和空频域特征可以提升模型分类精度的猜想,并展示了部分频域数据的特征图。基于非下采样轮廓波变换的空频域特征融合医学图像分类算法研究。由于基于离散余弦变换的方法只能保存图像的部分纹理和位置信息,本文在非下采样轮廓波变换技术的基础上,提出多尺度频域特征提取模块,从变换后得到的包含丰富纹理信息且具有不同尺度的频域数据中提取多尺度频域特征图,并将频域数据与网络中提取的空域特征进行融合,得到最终的空频域特征。最后在多个公开数据集上进行实验,实验结果进一步证明了,多尺度特征和空频域特征可以提升模型的分类精度。