中医作为一种传统医学被用于预防、诊断和治疗疾病,它在保护和增强人类的身体健康方面起到了独一无二的作用。舌诊在中医诊断过程举足轻重,其可以帮助医生了解患者的健康状态以进行进一步的诊断和治疗。体质识别作为舌诊的一种极为重要的应用,已经吸引了众多学者的格外重视,其可以通过观察舌头的颜色、形态、苔色、湿度等舌象指标来辨别人的体质,有助于掌握患者的健康状况和个体差异,制定个性化治疗方案。近年来深度学习在众多领域中取得了突破式的进展,尤其是以卷积神经网络技术为代表的计算机视觉领域。目前已有学者利用卷积神经网络在舌头图像数据上完成了体质识别任务并取得一定效果,但是这些方法仍然存在着种种不足之处。首先,用于提取舌头图像特征的卷积神经网络的表征能力有限,需要进一步提升特征抽取的能力。第二,现有的舌诊方法中缺乏对网络中多尺度多层次特征的复用。最后,在目前的舌诊方法研究中,缺乏一种有效的特征融合方法。针对目前舌诊方法中存在的种种不足之处和为了提升自动化体质识别的性能,本文（1）提出了小波注意力（Wavelet Attention）模块,其可以通过二维离散小波变换分离得到多尺度的特征并利用注意力机制对多个尺度的特征进行加权融合,提升了神经网络的特征提取能力;（2）提出了针对不同层次特征的重塑融合（Reshape Fusion）模块,其可以通过重塑操作来挖掘多种层次特征的关联,进而对特征进行高效的融合,从而对神经网络中的丰富特征进行更加有效的开发和利用;（3）提出了一个基于小波注意力和重塑融合的舌诊体质识别网络框架,其整合小波注意力和重塑融合这两个模块到卷积神经网络,生成更为精确的舌象属性,最后基于该属性来完成体质识别任务,同时增添了体质预测结果的可解释性,推动自动化舌诊技术的推广和应用。本文在舌诊体质数据集上进行了多种实验来验证所提方法的有效性。消融实验分别验证了小波注意力模块和重塑融合模块各自的有效性,对比实验验证了基于小波注意力和重塑融的体质识别框架的有效性和高效性,可视化实验还说明本方法具备一定可解释性。总的来说,实验结果表明本文所提方法均可以有效地提升体质识别任务的性能,最终取得了53.95%的准确率,相较于基准模型提高了3.18%。