近年来,国家已经将中医药现代化研究定为国家战略,社会对中医药的关注达到前所未有的高度。“互联网+中医药”模式潜力巨大,具有非常广阔的发展前景,将成为互联网医疗领域新的发展方向。舌诊客观化属于中医智能化诊断的范畴,由于传统舌诊一直都是医生通过目测来完成的,因此诊断结果会受到医生的临床经验、视觉感知等主观因素和光照强度等环境因素的影响,舌诊无法实现客观化、标准化。本文以实现舌诊客观化为目的,将图像处理技术引入到中医舌诊中,以提高舌诊客观化相关算法的准确率和运行速度,针对目前舌体分割算法和舌象分类算法的不足,重点研究基于深度卷积神经网络的舌体分割算法和舌象分类算法。主要研究内容如下:（1）针对目前中医舌诊领域尚无开源数据集的问题,采集并处理舌体图像,建立舌体分割数据集和舌象分类数据集,分别用于分割网络模型和分类网络模型的训练和验证。（2）针对基于传统卷积神经网络的舌体分割算法特征提取能力低和连续池化下采样导致的特征分辨率下降的问题,将Deep Lab V3+应用到舌体分割算法中,以提高分割效果。针对原始Deep Lab V3+网络参数量大的问题,改进编码器中的ASPP（Atrous Spatial Pyramid Pooling）模块,以降低参数量,提升分割速度。针对舌体边缘不易分割的问题,设计了特征融合模块,加入到Deep Lab V3+解码器中,以提高算法对细节信息的学习能力,丰富边缘特征信息,进而提高分割效果。采用Adam（Adaptive moment estimation）优化算法和迁移学习训练策略,以加快收敛速度,降低网络训练难度。实验结果表明,本文所提出的基于Deep Lab V3+的舌体分割算法与其他同类算法相比,在分割效果和运行速度上具有明显优势。（3）针对基于传统卷积神经网络的舌象分类算法在训练过程中存在的梯度消失问题,将Dense Net应用到舌象分类算法中,以提高算法分类性能。针对Dense Net存在的特征冗余问题,将SENet中的SE（Squeeze-and-Excitation）模块与Dense Net相结合,实现特征通道的自适应选择,提升网络表征能力,进而提高网络的分类性能。为了进一步提高算法分类速度,通过采用深度可分离卷积,改进Dense Net中的密集模块,减少模型参数量。采用带有动量的随机梯度下降优化算法,解决网络在训练过程中收敛速度慢和梯度震荡问题。实验结果表明,本文所提出的基于Dense Net的舌象分类算法与其他同类算法相比,具有运行速度快、准确率高的特点。最后,设计基于Web的舌诊系统,实现舌诊客观化,让用户能便捷的获得体质信息,验证本文提出的舌体分割算法和舌象分类算法的有效性和实用性。