随着信息技术和医学影像成像技术的发展,医疗大数据时代已经到来。医学图像爆炸式增长需要更多的具有丰富经验的医师完成疾病的诊断,这无疑会给医师带来沉重的工作压力,误诊漏诊情况时有发生。计算机辅助诊断系统能够克服人工识别易受主观经验、疲劳程度等主观因素的影响,不但可以提高放射医师诊断的效率,还能提高其精度。目前卷积神经网络在图像识别方面得到越来越多的应用,具有不需要过多人工干预,能够自动提取图像特征且学习能力强等优点。本文应用卷积神经网络对两类医学图像进行了分析和研究,一类是用于肺部疾病筛查的肺部X光图像,另一类是鉴定骨骼损伤的骨骼X光图像。浅层的卷积神经网络具有结构轻便、参数数量少、适用性强等特点,但是在医学图像分类效果方面不理想,本文对浅层的卷积神经网络进行了改进,提出了基于改进卷积神经网络的医学图像分类方法,经过与经典的卷积神经网络进行实验对比,验证了改进方法的优良性,有效的解决了浅层的卷积神经网络分类效果不理想的问题。针对医学图像数据量不足,训练起来容易出现过拟合的问题,将迁移学习应用到医学图像分类领域,提出了基于迁移学习的医学图像分类算法。通过与传统的随机初始化参数的模型进行对比实验,验证了迁移学习的有效性,成功地将迁移学习应用到了医学图像分类领域。在基于迁移学习医学图像分类算法的基础上提出了基于多尺度迁移学习的医学图像分类算法,经过对比实验验证了此算法的可行性。本研究在医学图像特征分析及分类方面具有一定参考价值。