医学图像分类可以为疾病诊断提供可靠的依据,对人们的生命健康有着重要的意义,是计算机视觉领域的重要任务。如何设计有效的医学图像分类方法受到越来越多研究者的关注。胶囊网络作为一种有效的网络框架,是对卷积神经网络（CNN）的改进,拥有可以实现平移和学习部分-整体的关系等优点。目前,胶囊网络较多的应用在医学图像分析研究中。在本文中,本文基于胶囊网络的缺点提出了一种用于医学图像分类的注意力机制的Octave卷积胶囊网络（AOC-Caps）。在 AOC-Caps 中,使用了 Attentive Octave Convolution（AOC）模块来代替传统的卷积运算。AOC模块的目的是同时处理和融合输入图像中的高频和低频信息,并对重要部分进行自动称重。在AOC模块之后,使用矩阵胶囊并应用期望最大化（EM）算法来更新路由权重。所提出的AOC-Caps和比较方法在七个数据集上进行了测试,包括来自 MedMNIST 的 PathMNIST、DermaMNIST、OCTMNIST、PneumoniaMNIST、OrganMNISTAxial、OrganMNISTCoronal 和 OrganMNISTSagittal。在实验中,基线包括传统的CNN模型、自动机器学习（AutoML）方法和相关的胶囊网络方法。实验结果表明,所提出的AOC-Caps在七个医学图像数据集的大多数上都取得了更好的性能。本文的具体工作是:1、针对医学图像相对复杂的数据集样本小的特点以及胶囊网络的局限性,提出了一种基于注意力机制的Octave卷积运算。通过将此操作与胶囊网络相结合,获得了 MedMNIST分类任务的有效分类框架。AOC-Caps（Attentive Octave Convolutional Capsule Network）实现了比其他方法更高的性能。2、对比两种胶囊网络模型的性能,验证Octave卷积运算对胶囊编码的有效性,验证注意力机制对胶囊网络的有效性,通过消融实验选择出效果最好的AOC-Caps的组合。3、验证了所提出的AOC-Caps和其他方法在PathMNIST、DermaMNIST、OCTMNIST、PneumoniaMNIST、OrgMNISTAxial、OrganMNISTCoronal 和 OrganMNISTSagittal 等七个数据集上进行了测试,这些数据集属于MedMNIST。在实验中,基线包括传统的CNN模型、autoML方法和相关的胶囊网络方法。实验结果表明,所提出的AOC-Caps在七个医学图像数据集的大部分上都取得了更好的性能。