传统中医的舌象诊断是中医望诊的重要环节,舌象医生可以根据察看患者舌体,获悉患者身体健康状况和病情变化。在舌象所反映的众多身体症状之中,中医理论中的证候是舌诊中所揭示和反映的一个重要的患者机体状态,其中“寒”和“热”是表达人体状态的两种典型证候,也是本文进行中医舌诊客观化研究的目标证候。然而舌诊过程受到光照、拍摄角度和医生主观原因等其他因素的影响,使得其客观化研究难以迅速取得突破。近年来机器学习方法在图像识别领域不断深入研究,使得该类算法广泛应用在图像分类问题上。随后,通过结合计算机图像处理技术和医学影像,人们正不断向计算机智能辅助诊断的目标靠近。这一探索性研究便为传统中医舌象诊断的客观化研究带来了新的方向和机遇,研究人员通过采集舌象数据、图像预处理、机器学习和构建分类模型等环节,将舌象诊断过程标准化和客观化。但是,利用传统机器学习方法的一个关键步骤为特征提取阶段,这一阶段需要研究人员具备大量的领域知识和经验,而在提取阶段又带有主观意识,容易造成特征提取工作存在盲目性,从而导致分类效果无法达到最优。本文通过学习和研究深度学习中卷积神经网络结构,自动抽取特征信息,并探究该方法在中医舌象分类模型中的可行性,同时辅助进一步的实现中医舌象诊断的客观化。本文通过研究和整理舌象客观化和卷积神经网络的相关进展,在其基础上进行了以下工作:第一,本文在研究期间通过与上海中医药大学合作,分为两次共收集了原始舌象数据398例,其中正常:热证候:寒证候的比例为79:149:170。然后对该数据集进行数据预处理,包括数据删选和舌象分割。第二,本文通过研究和实验,从网络模型规模和实验效果角度选取并实现了4种卷积神经网络结构——Conv4,AlexNet,ResNet18,ResNet50。第三,本文设计和模拟了二分类实验,包括正常-证候、正常-热证、正常-寒证和热证-寒证4组实验,并继续将实验方法扩展到正常-热证-寒证的三分类实验。第四,通过实验数据对4中网络模型的训练和交叉验证,得到对应的训练样本和测试样本的正确率曲线。通过对比4中网络模型和传统机器学习方法,从正确率和拟合所需轮数的角度,发现各个模型在该类问题上的表现情况。其中,卷积神经网络结构大多取得了很好的实验效果,例如ResNet18在二分类正常-热证组实验中测试正确率达到94.4%,在三分类问题上测试正确率达到89%等。