颅内出血是指颅骨以内的脑组织出血,对颅内出血患者进行准确诊断、及时治疗能有效提高病人的康复率。利用深度学习技术对颅内出血进行研究,是为了辅助医生进行临床决策、降低误诊率。本文对颅内出血的研究从两方面进行,分别是颅内出亚类型分类和颅内出血病灶分割。在颅内出血亚类型分类中,已有的研究大多基于卷积神经网络,但这些研究忽略了如下问题:网络架构中引入三维卷积神经网络,或联合循环神经网络会给计算机造成负担,挤占计算资源;卷积神经网络在CT图像上特征提取能力不足。在颅内出血病灶分割中,UNet网络结构简单可以在数据较少的情况下实现理想的分割结果,但也存在以下问题:UNet网络难以提取到更精细的特征;UNet网络存在一些需人为设置的超参数,不能确定是否存在其他的超参数组合方式,使UNet网络分割性能进一步提高。针对上述问题,本文主要开展的工作如下。（1）为节省计算资源,加快网络收敛速度,本文基于性能优越的Efficient Net网络,提出使用群组归一化技术对Efficient Net进行改进构建GNEfficient Net模型,实验结果表明GNEfficient Net的性能与Efficient Net相比有一定提高。（2）为增加模型在CT图像上的特征表达能力,充分利用胶囊网络不仅能识别图像中的目标特征,还能保留目标的位置姿态等信息的优势,本文提出将胶囊网络与GNEfficient Net结合构建GNE-Capsule模型。实验结果表明,GNE-Capsule模型的特征提取能力比GNEfficient Net好,GNE-Capsule的召回率与Efficient Net相比提高了2.1%。（3）为提高UNet网络在CT图像上的特征提取能力,本文在UNet结构中引入Mobile Net构建Mobilenet-UNet模型,并通过实验对影响Mobilenet-UNet性能较大的参数进行确定以进一步优化Mobilenet-UNet模型。实验表明,Mobilenet-UNet模型做图像分割时的特征提取能力比UNet好,Mobilenet-UNet的IOU提高了4.5%、Dice系数提高了3.6%、精准率提高了2.1%。（4）针对Mobilenet-UNet模型训练时需手工调参这一问题,引入粒子群算法来优化Mobilenet-UNet的超参数（PSOMobilenet-UNet）,通过全局随机搜索找出损失函数最小时对应的Mobilenet-UNet模型。实验表明,与Mobilenet-UNet相比,PSOMobilenet-UNet的性能有了很大提升、分割结果更好,Dice系数较UNet提高了1.9%、IOU提高了2.3%、精准率提高了2.5%。