随着人工智能和计算机视觉领域的快速发展,深度学习作为人工智能下的子学科在视觉分析任务中占据了重要位置。深度学习用包含大量神经元的神经网络来提取图像中有用的特征进行信息分析。利用深度学习的方法来进行图像分析已经形成了较为规范的分析框架,包括对网络模型的训练,学习输入到输出的关系映射,从而对未知的输入进行模式预测。该框架具有很强的通用性,通过较少的调整就能解决很多图像上类似的问题。医学是一个数据急剧增加的行业。人类专家在处理海量数据的过程中可能会出现误判或者采取了错误的处理方式。而深度学习不仅能高效且较为准确的处理这些数据,还能拓宽医学领域的界限,提供解决问题的新思路新方法。以前医学图像分析只能通过人工或者简单的机器学习方法来进行医学图像的分析,并不能解决医学图像出现差异后的问题。但是深度学习在医学图像上的广泛应用改变了这种状态,它能学习到图像的本质特征,并取得令人满意的分析结果。目前深度学习已经和医学领域有了紧密的联系。深度学习算法,特别是卷积网络,已经成为了分析医学图像的首选方法,它成为了医学图像分析的重要手段,并在很多医学成像应用中取得了很显著的成绩。但是深度学习在医学图像处理领域的应用也提出了独特的挑战,原因主要在于医学图像的处理不同于自然图像的处理,它对图像处理结果的要求会更高。利用深度学习对医学图像的分析主要包括对病灶区域的检测、分割与分类,医学图像的重构等。本文是在深度学习技术的基础上,对医学图像的分割与分类技术进行研究,将从以下几个方面进行:（1）研究现阶段较为流行的分割与分类的深度学习网络框架,总结各个网络框架的特点,为后续网络的选择与搭建以及模型的修改奠定了坚实的基础。（2）提出了基于U-Net网络模型的R2Att U-Net分割网络结构。分割就是将不同的物体从一张图中分离开来。从最基本的U-Net网络模型来进行分割研究,通过对其他的网络结构及相关机制的学习来对U-Net网络模型进行模型修改,搭建新的网络模型R2Att U-Net。最后通过在细胞数据集上进行对比实验来确定新的分割模型的效果。（3）利用迁移学习的方法来进行分类研究,构建新的分类预测网络模型。图像分类是深度学习对医学图像分析做出的巨大贡献的领域之一。通过调研不同的分类模型,总结这些模型的优缺点,选择已有的经典模型作为特征提取器,并加上设计的网络结构完成整个模型的搭建。探索在医学图像样本数量较少的情况下实现高准确率的分类的方法。对数据量相对较少的烧烫伤数据进行烧烫伤等级预测。