近年来,借助深度学习算法对医学影像中的细胞及组织进行识别和诊断的分析技术,逐渐成为了医学影像诊断领域的热门研究方向。卷积神经网络（Convolutional Neural Network,CNN）作为一种高效的深度学习算法,广泛应用于医学影像诊断领域。但由于CNN模型在训练前需要初始化参数,因此当初始参数选择不恰当时会带来各种问题。首先,对于CNN模型的初始权重,传统的方法是采用随机初始化,这样会导致模型的训练速度慢、诊断精度低等问题。其次,对于模型的超参数（Hyperparameter）选择,传统的方法是采用手动调整或网格搜索,这样不仅会消耗大量的时间和计算资源,而且通常会选择不到最合适的超参数,从而导致模型的诊断精度降低等问题。为了解决上述问题,本文首先提出了一种基于天牛须搜索（Beetle Antennae Search,BAS）算法的CNN（BAS-based Convolutional Neural Network,BASCNN）优化算法。该算法通过BAS算法优化CNN的初始参数,并基于BASCNN算法开发了一种具有BAS优化算法的CNN模型。其次,本文提出了一种基于天牛群优化（Beetle Swarm Optimization,BSO）算法的CNN（BSO-based Convolutional Neural Network,BSOCNN）超参数寻优算法,该算法将CNN超参数的寻优问题作为BSO算法的求解问题,并将求解问题的解作为CNN模型的超参数。本文分别在两个不同的医学影像数据集中对上述两种算法进行了验证。首先将BASCNN算法应用于颅内出血计算机断层扫描（Computerized Tomography,CT）影像数据的分析诊断,实验结果表明,该算法在66张头部CT图像数据中实现了93.9394%的诊断准确率和100%的召回率,诊断时间仅需0.1596 s。随后将BSOCNN算法应用于眼部葡萄膜黑色素瘤（Uveal Melanoma,UVM）全视野数字切片图像（Whole Slide Images,WSI）的分析诊断,实验结果表明,在诊断是否有恶性黑色素瘤的诊断任务中,本文提出的方法的准确度为96.2149%,相比于传统的VGG-16模型提升了6.8592%;在恶性黑色素瘤的临床阶段分析任务中,本文提出的方法的召回率为80.8943%,相比于传统VGG-16模型提升了10.1336%。此外,本文提出的两种算法比其他四种基于元启发式算法（Metaheuristic Algorithm,MA）的CNN优化方法有较为明显的优势。