医生通过医学图像诊断疾病时会受到外界客观环境以及个人主观因素的影响,如医学图像中存在高斯噪声,医生诊断经验不足、当时状态不好等,这些情况都可能导致医生对疾病产生误判。为解决以上问题,本文在离散小波阈值化去噪理论和卷积神经网络算法的基础上,分别提出了融入优化策略的改进离散小波变换去噪算法和融合梯度加权类别激活映射（Gradient-weighted Class Activation Mapping,Grad-CAM）颜色可视化的卷积神经网络分类算法。本文主要工作如下:（1）为解决医学图像辅助诊断系统当中医学图像存在噪声的问题,本文引入了离散小波变换（Discrete Wavelet Transform,DWT）阈值化去噪理论的相关知识,并在DWT阈值化去噪理论的基础上,提出了一种融入优化策略的改进离散小波变换（Improved Discrete Wavelet Thresholding Algorithm Incorporating Optimization Strategy,IDWT-IOS）去噪算法。此算法首先通过计算医学图像与小波基函数的互相关系数,来确定此图像进行离散小波变换的小波基函数与分解层数;然后利用遗传算法（Genetic Algorithm,GA）对医学图像进行离散小波变换得到的小波系数进行逐层寻优,计算出医学图像各分解层上的最佳阈值;之后利用粒子群优化（Particle Swarm Optimization,PSO）算法计算新构建的双参数阈值函数中的未知参数,并对小波系数进行处理;最终对小波系数进行重构得到了去噪后的医学图像。（2）为消除医学图像辅助诊断系统中个人主观因素的影响,本文引入了卷积神经网络（Convolutional Neural Network,CNN）图像分类的相关知识,并在CNN图像分类理论的基础上提出了一种融合Grad-CAM颜色可视化的卷积神经网络（Combine Grad-CAM Color Visualization and Convolutional Neural Network,GCCV-CNN）分类算法。GCCVCNN算法首先通过训练Alex Net网络,来确定CNN分类模型的最佳参数并对医学图像进行分类;然后利用Grad-CAM技术进行反向传播,在医学图像上标记出分类时的关键区域;最终在医学图像数据集进行测试与验证,得到了GCCV-CNN医学图像分类模型。（3）为验证本文算法的优越性,本文使用IDWT-IOS算法在人体肺部医学图像数据集上进行去噪实验,然后使用GCCV-CNN算法对去噪的医学图像进行分类。结果显示,IDWT-IOS算法不仅较好地去除医学图像中的高斯噪声还最大限度保留了原图像当中的有效信息,评价指标SNR、PSNR、MSE和RMSE与其他方法相比也得到明显改善;GCCV-CNN算法不仅实现了对人体肺部的CXR图像和CT扫描图像的快速分类,还保证了检测的准确率,评价指标Precision、Recall、F-Measure、Specificity和Sensitivity与其他算法相比也得到了显著提升。