医学图像识别是医学图像分析的核心任务,目的是自动识别医学图像中的病灶位置,检测出病灶的状态属性,生成初步的诊断结果,它对于减少医生工作成本、提升诊断效率、降低误诊漏诊率有着重要的研究意义和应用价值。近年来,基于深度学习的医学图像识别受到了研究者的广泛关注,成为医学人工智能领域中的一项重要课题,如分类、检测、报告生成等任务。基于深度学习的脑CT图像识别是其中一个研究热点,但是由于脑CT图像具有空间分辨率和对比度低,存在噪声伪影,三维空间病灶分布稀疏、不确定性大等视觉特性,故限制了现有深度学习方法对脑CT图像中病灶特征的挖掘,进而影响了脑CT图像的分类和报告生成任务的性能。为了解决这个不足,论文将多尺度超像素引入脑CT医学图像识别任务,完成了如下两个研究工作:（1）为了有效提取脑CT图像特征,提升分类的准确率,论文提出了一种融合多尺度超像素的脑CT图像深度学习分类方法。该方法基于多尺度超像素图,从图像融合和特征融合两个层面辅助卷积神经网络提取更具有表达性的分类特征。首先通过多尺度超像素对脑CT图像进行病灶区域增强,获得优化的融合图像;然后采用提出的基于区域和边界信息的特征编码算法,生成多尺度超像素低层次特征;最后利用残差神经网络提取融合图像的高层次特征,并将其和低层次特征进行多层融合,进一步获得更有判别性的融合特征,用于脑CT图像分类。在基于CQ500的脑CT数据集上的实验结果表明,论文提出的融合多尺度超像素深度学习方法能够针对脑CT图像视觉特性进行病灶特征表达,和对比的一些深度学习方法相比有效提升了脑CT图像分类的性能。（2）为了提升脑CT序列图像的特征表达能力,论文提出了一种基于多尺度超像素编码的脑CT医学报告生成方法。首先,基于多尺度超像素对序列脑CT特征进行空间编码,增强特征的空间表达能力;然后,将空间编码特征输入提出的空间注意力模型,从而动态生成注意力特征;最后,将空间注意力特征输入LSTM模型生成医学报告。在论文提出的脑出血医学报告数据集上的实验结果表明,基于多尺度超像素编码的脑CT医学报告生成方法能够有效实现序列特征的空间编码,和对比的一些方法相比,生成更加准确的医学报告。针对脑CT的视觉特性,论文通过引入多尺度超像素提升了脑CT特征的表达,提高了分类准确率和医学报告生成的准确度,而且丰富了脑CT图像深度学习识别方法的研究,而且有助于推动相关领域的进一步发展。