幽门螺旋杆菌（Helicobacter pylori,Hp）作为引发胃部疾病的重要因素,对人体的危害极大,因此进行有效的Hp检测和治疗至关重要。内窥镜检查是判断感染Hp的重要方法,该方法对受检者无创伤,但检查结果依赖于医生的经验和能力,效率低且成本高。利用深度学习技术提取图像的重要特征,然后进行识别和分类,可以得到较高的准确率和效率。因此,本文在内窥镜检查的基础上,利用深度学习技术对图像处理和识别,以判断受检者是否感染Hp。论文主要工作包括以下三个方面:（1）研究了基于注意力机制的胃部生理解剖部位分类算法。胃部不同位置感染Hp的情况不同,进行生理解剖结构的图像分类是Hp检测的前提条件。针对卷积神经网络在医学图像分类领域中模型参数过多,且没有充分利用图像不同通道间的交互信息,本文提出了一种多路通道注意力（Multi Channel Attention,MCA）模块。MCA在高效的通道注意力（Efficient Channel Attention,ECA）模块基础上增加一条分支,新分支利用最大池化和自适应卷积核提取图像不同通道的特征,作为原有分支特征信息的补充。将MCA应用至现有的分类网络中,经过实验表明新的网络不仅在参数量上有所减少,在分类准确率上也有所提升。（2）研究了基于改进残差网络的胃部Hp分类算法。针对Hp阴性图像和Hp阳性图像之间的特征表征性差异小,无法获得充足的区分性特征,不利于单张图片的准确分类的缺点,论文设计了一种新的残差网络模块。该模块在Res Net的基础上引入多种优化结构,并分别构建单视图和多视图的Hp分类网络,将内镜图像分为Hp阴性和Hp阳性两类。同时,本文还利用Grad-CAM技术对分类网络提取到的特征可视化处理,提高了模型预测结果的可解释性。（3）在算法研究与改进的基础上,实现了内窥镜图像诊断识别系统。该系统集成了诊断Hp所需的一系列步骤,在短时间内就能获得较准确的Hp感染结果,可以辅助内镜医生做出诊断,提高诊断效率。本文分析了深度学习模型中存在的不足并进行改进,将改进模型应用于内窥镜图像分类中并构建分类诊断系统,为临床Hp的检测提供了辅助诊断手段。