卒中病发是造成人类死亡的主要疾病之一,并且患者在接受治疗后仍会存在严重的后遗症。目前传统的诊断方法依赖于医学影像信息,并且需要具有熟练技能的医生来对患者的状况进行诊断确认。同时,医学影像成像本身耗时久,医生和患者之间难以达到信息的有效沟通。机器学习等前沿技术能够在降低人为干预的情况下以医学影像为主要依据来自主判断患者卒中情况,因此可以通过引入计算机辅助系统帮助医生提升卒中诊断效率。本文在心电图信号能够反映部分脑部问题的背景下,提出通过深度学习方法实现卒中心电图分类任务。本文对现有的心电图公开数据集及算法进行调研,发现现存的心电图分类网络公开数据集主要为单导联信号,且现有算法多用于心脏基础疾病研究,且缺乏对多导联信号间的信息挖掘能力。基于上述问题,本文首先构建了多导联的卒中心电图数据集,并且基于构建的数据集提出多尺度卒中心电图分类网络,具体如下:首先,本文在与医院合作的背景下,构建了用于卒中心电图分类任务的十二导联心电图数据集。其次,在数据集样本量少的情况下,本文对数据集进行了0度、90度、180度、270度和水平、垂直翻转以增加数据量。最后,本文提出基于多尺度卒中心电图分类网络,从而达到对数据集特征的充分利用。所提出的网络一方面将密集块集成到卒中心电图分类网络,从而在小样本数据集的情况下充分利用样本中包含的信息;另一方面网络通过使用通道域信息关注模块,结合相同空间位置上的不同尺度特征,赋予网络在通道级显示学习多导联心电信号尺度特征联系的能力,进一步拟合心电图数据中利于卒中分类任务的信息。实验表明,本文所提出的网络模型与VGG,FCN,Res Net分类算法相比展现了优越的性能,模型的精确率、召回率、准确率、F1值和ROC值为100.00%,87.50%,93.75%,93.33%和0.99,以此证明了心电图作为卒中分类任务的可行性。由于在上述卒中分类任务中单凭心电图判断患者卒中的情况所获取的信息较单一,因此本文引入卒中磁共振图像进一步帮助医生判断患者卒中情况。此外,基于多尺度卒中心电图分类网络对挖掘隐含信息的有效性,本文提出多尺度卒中磁共振图像分割网络。网络通过将卒中心电图分类算法集成到编码过程,同时在解码过程中引入空间域信息关注模块,从而赋予网络同时学习磁共振图像病灶区域和背景区域的空间级和通道级特征能力。实验表明,本文提出的算法与U-net,Dense U-net和Attention U-net相比,在准确率,敏感度,特异性,骰子系数和交并比的指标均达到了最优表现,各项指标依次为99.78%,94.03%,93.84%和89.04%,证明本文提出的多尺度卒中磁共振图像分割网络能够提取更具有表征性的卒中磁共振图像信息。