随着医学图像质量的提高,医学图像算法的改进,医疗大数据的兴起,尤其是深度学习算法在医疗AI领域的广泛使用,使得以往较为困难的计算机辅助医学图像处理得到前所未有的进步。基于深度学习的医学图像处理算法使得计算机辅助医学诊断在临床中成为可能。本文针对医学图像处理中的两个非常有挑战的应用:“肺癌病理细胞图像识别”和“前列腺CT图像分割”,分析目前存在的问题,尝试用深度学习技术尤其是基于卷积神经网络的方法来解决。本文提出了如下主要算法:（1）提出了一种基于原型学习的多示例深度卷积网络。在肺癌图像中,癌细胞往往只占有少量的区域,使用一般的分类器进行癌症检测时,往往会受到大量背景噪声的干扰。而传统卷积神经网络是一种全监督的深度学习模型,其要求样本类标完整。在样本类标缺失等弱监督的实际应用中,卷积神经网络的应用受到了极大的制约。为解决弱标记环境下的多示例学习问题,提出了一种新的多示例深度卷积网络模型。该模型引入了一种新的原型学习层。该层使用基于原型度量的算法,实现了示例特征至包特征的映射,从而使网络能够在包的层面给予类标信息,进而完成整个模型的学习过程。从而解决了深度学习方法在弱监督情形下的问题。（2）提出了一种基于特殊轮廓曲线指导的全卷积网络。为了解决前列腺癌的放射治疗中,在CT图像中精确地勾画盆腔器官（包括前列腺,膀胱和直肠）这样非常有挑战性的问题。我们提出了一个两阶段的基于深度学习的方法,包含一个新颖的特殊轮廓曲线指导的全卷积网络（fully convolutional network,FCN）,来解决CT图像中的低软组织对比度和盆腔器官有大的形状和外貌的变化这样的问题。我们引入了两步的框架,首先找到CT图像中较小的目标器官区域,使得网络可以更好地分割器官。为了更好地识别这些难以辨认的盆腔器官的边界,我们使用特殊轮廓曲线来指导一个多任务FCN网络进行精细分割。在实验中我们验证了方法在分割任务中是精确并且鲁棒的,并且超越了其他先进的算法。（3）提出了一种层级混合的多任务全卷积网络HFFCN。传统的多任务深度网络常常会在不同任务之间共享其大部分网络层和参数,通常制约了它们学习数据的能力。为了解决这样的问题,我们提出了一种层级混合的多任务全卷积神经网络HFFCN。它包含一个Y形结构,使得网络可以共享一个编码路径,但分别学习各自的解码路径。而后,我们提出了一个新型的信息共享（Information Sharing,IS）块,在两个解码路径之间,提供交流和分享信息的途径。使得我们的HFFCN网络可以更好地学习任务之间互相补充信息的层级特征表示的能力,并且同时保存任务各自独立信息表示的能力。实验表明我们的方法可以胜过传统的多任务学习深度网络架构,和其他先进的方法。