21世纪以来,人类的科技水平逐渐提高,这些最新产生的技术能够大幅降低人们的工作劳动强度,降低人工成本。但是如今仍有很多高成本的人工服务,例如牙齿诊断与治疗。随着社会科技不断的发展,越来越多的新技术逐渐涌现,诸如人工智能等技术自2012年得到长足的发展,相比于传统基于人工的方法,人工智能可以以较快的速度,较低的成本实现很多过去需要人类亲自行动的高成本工作,诸如自动或半自动的医疗诊断、自动驾驶、智能安防和推荐系统等等,但是人工智能也有些许不足。优秀的人工智能识别系统的生成往往依赖大量的数据集,此外有些手段可以对识别系统造成负面的影响,这些问题使得深度学习模型变得“昂贵”且“脆弱”。在医疗领域,深度神经网络对辅助诊断系统的检测能力的提升是巨大的,它可以帮助医生找到病灶,例如识别定位牙齿、龋齿诊断、年龄推断等等,但是医疗数据的获取是困难的,目前对于牙齿目标检测的研究基本依赖大体量的数据集,在小样本下的牙齿目标检测研究较为稀少。此外,基于深度神经网络的医疗图像诊断系统对于模型安全性的要求是比较高的,而且如果用于检测病灶的深度神经网络模型被恶意的攻击,那么其后果是十分危险的。目前相关研究者已经提出很多针对深度神经网络的攻击方法,它们可以对模型造成有效的攻击,因此我们需要将更多精力集中在提升医疗图像检测模型的安全性上。本文研究的内容首先为解决小样本医疗图像的目标检测难度较大的问题,其次还有针对医疗图像识别模型的标签翻转攻击问题。本文根据以上问题提出了两种方法,第一种方法可以很好的改善目标检测模型在小样本的情况下的性能表现,第二种方法可以以较高的鲁棒性抵御针对牙齿医疗数据的标签翻转攻击。（1）针对小样本牙齿目标检测提出了一种基于先验知识迁移、牙齿语义结构特征和信息熵压缩的小样本牙齿目标检测方法,验证实验显示该方法在十张小样本情况下表现良好。（2）针对牙齿医疗图像的标签翻转攻击,提出了一种基于离群点集合统计分析的中毒数据检测方法,提高了检测能力,同时具有较好的可解释性和泛化能力。无论训练集是常规样本或者小样本,本文所提的方法均能有效地检出标签翻转攻击。