消化道疾病是系统疾病中最常见的一种疾病,肠胃道癌症是一种严重的消化道疾病,常见的肠胃道癌症如食道癌、胃癌和结直肠癌都与出血、息肉、溃疡等肠胃道感染相关,每年约有280万新发的肠胃道癌症病例和180万死亡案例。早期检查和治疗可以预防肠胃道癌症,WCE（Wireless capsule endoscope）能够以无痛无创伤的方法检查患者的肠胃道,通过观察患者肠胃道感染情况对可能出现的肠胃道癌症进一步诊断。WCE检查可以减少因肠胃道癌症死亡的人数,对于完善医疗保健系统有着重要意义。但是,诊断分析WCE图像需要消耗医生大量的精力而且结果的精确性依赖于医生的经验和专业性。因此,本课题设计和实现了一个基于深度学习的WCE病变图像识别系统,帮助医生提高诊断WCE图像的准确性,为医生进一步的诊断治疗提供客观和高精度的诊断依据。随着深度学习的不断发展,智能检测和识别WCE病变图像的方法逐步从传统的机器学习转移到基于深度学习技术的方法。基于深度学习的检测和识别WCE图像的方法能够自主提取特征并且实现端到端学习,为医生提供高精度的诊断依据。本课题设计和完成了一个基于深度学习的WCE病变图像识别系统。本课题的主要研究内容如下:（1）WCE图像多分类研究本研究实现对常见的WCE病变图像（出血、息肉、溃疡）的智能检测,结合迁移学习策略和注意力机制构建了Res Net50-CBAM多病变图像分类模型,实现了对WCE多种病变图像的准确分类。实验结果表明,各类别病变图像的检测准确率平均值可达97.6%。（2）WCE图像息肉分割研究本部分研究实现了基于深度学习的WCE图像息肉分割。根据WCE息肉图像中特点,本研究提出了一个结合迁移学习策略和UNet模型的WCE息肉病灶分割模型UNet-Res Net50,采用经过Image Net数据库预训练的Res Net50模型替代UNet模型的编码部分,UNet-Res Net50模型实现了对WCE息肉病灶的精准分割。在实验部分,通过对比当前效果优异的多种图像分割方法（Seg Net、FCN、PSPNet）和其采用不同网络作为编码部分在WCE数据集上的分割实验结果,结果表明UNet-Res Net50模型的分割的MIOU可达97.1%。（3）识别WCE病变图像系统原型研发本研究将结合WCE图像多分类研究和WCE图像息肉分割研究中两个最优异的模型,研发和设计了一个智能辅助识别WCE病变图像的系统原型,提供高精度的诊断结果和用户友好控制界面,提高医生对患者的WCE数据的诊断效率和准确率。