上消化道包括口腔、咽、食管、胃和十二指肠。发生于上消化道的疾病很多,比如口腔炎、食管炎、胃炎、胃溃疡、上消化道出血、食管癌和胃癌等。其中,胃食管癌的发病率正在逐年增加,成为严重危害人类健康的重大疾病。目前,胃食管疾病主要采用胃镜检查和活检做出诊断,其中胃镜检查是发现疑似上消化道病变的重要步骤,活检是确诊病变类型的金标准。然而,胃镜检查对医生的主观临床经验依赖较大,再加上一些不同阶段的胃食管疾病黏膜特征相似,导致胃镜检查中容易发生误诊和漏诊。大量研究表明,基于深度学习的计算机辅助诊断方法可以为医生提供客观的疾病评估依据,辅助医生提高诊断效率和准确率。因此,本文针对基于深度学习的多种食管疾病分类和早期胃癌病灶分割的方法进行了深入研究,主要研究内容和贡献包括以下三个方面:（1）基于高效通道注意力和卷积神经网络的食管疾病分类研究本文提出了一种新颖的基于高效通道注意力机制的深度密集卷积神经网络。提出的新网络可以增强通道之间的依赖关系和加强网络中的特征传播,以突出和提取与各种类型疾病之间细微差异相关的特征,最终提高多类食管疾病识别能力。此外,本文还提出了随机加权抽样方法来平衡不同类别之间样本严重不均衡问题。本文方法可以将食管胃镜图像分为四大类:正常食管、食管癌前疾病、早期食管癌和进展期食管癌,涵盖6种常见食管疾病和正常食管（共7种子类）。实验结果表明,本文方法分类多种食管疾病的平均准确率为90.63%,平均受试者工作特性曲线下面积达到0.9877。与其他最新的相关方法比较,本文方法分类多种食管疾病的性能更好,特别是在分类一些黏膜特征相似的食管疾病时,本文方法也能够取得较高的真阳性率。总之,该方法在辅助多种食管疾病诊断上具有较大的临床应用前景。（2）基于半监督高效对比学习的食管疾病分类研究在前面研究的基础上,本文又提出了一种基于半监督高效对比学习的多种食管疾病分类方法。首先提出了一种高效的对比对生成模块来生成高效对比对,该模块可以充分利用来自同一病灶的多幅胃镜图像之间的高度相似性特征;然后采用无监督高效对比学习方法从大量无标注的胃镜图像中学习到包含食管疾病一般特征的无监督视觉特征表示（本文简称为无监督特征）;最后,将该无监督特征迁移到下游食管疾病分类任务中,使下游分类模型只需要少量有标注的胃镜图像训练集便可达到准确分类。实验结果表明,本文方法的分类准确率为92.57%,高于其他最新的相关半监督学习方法,并且以2.28%的幅度显著高于常规的基于迁移学习的分类方法。因此,本文提出的半监督高效对比学习方法通过充分利用未标注的胃镜图像和来自同一病灶的胃镜图像之间的高度相似性信息,解决了用少量有标注胃镜图像难以训练深度卷积神经网络来实现高准确食管疾病多分类这一挑战性问题,也为其他疾病医学图像分类任务提供了新的思路和方法。（3）基于注意力机制和三分支Res Unet的早期胃癌病灶分割研究在前期早期食管癌自动分割方法研究基础上,本文重点结合早期胃癌的胃镜图像特征,提出了一种基于空间共注意力和通道注意力机制的三分支Res Unet分割框架,用于自动分割早期胃癌病灶。提出的空间共注意力机制可以通过同一早期胃癌病灶的多幅胃镜图像之间的共相关作用来激活胃镜图像中早期胃癌病灶的空间位置,引入的通道注意力机制可以通过捕捉通道特征间的相互依赖关系来提取与早期胃癌相关的细微特征。本文方法在早期胃癌病灶分割中取得了81.73%的阈值Jaccard指数、84.54%的Jaccard相似系数、91.08%的Dice相似系数和91.18%的像素准确率,优于现有其他相关分割方法,并且可以很好地适应各种复杂早期胃癌病灶的分割,尤其是在具有挑战性的早期胃癌小病灶上取得的分割结果明显优于相关对比方法,在辅助临床内镜黏膜切除术和内镜黏膜剥离术上具有应用前景。