近年来,以量子计算为代表的计算水平的提升和神经网络的复兴,使得医学图像分类被越来越多地应用于科研和临床实践,成为诊断疾病的重要参考。其中,深度学习是图像分类领域被应用最多且效果最好的方法。由于医学图像对诊断精度的高要求,促使深度学习网络不断从技术上突破,寻求层次更深、集成效果更强的网络模型。然而,这在一定程度上带来了模型复杂、参数冗余、计算成本高等问题,使得深度学习网络进一步在诊所、医院等众多实用场景中的应用和推广受到限制。因此,亟需对网络进行压缩和加速,优化网络性能。知识蒸馏作为一种有效的模型压缩手段,可以较好地解决上述问题。传统的知识蒸馏模型由“教师”部分和“学生”部分组成,教师部分可以由一个或多个网络组成,每一个网络称为一个“教师”,负责学习原始数据中的特征知识,然后将其传递给学生部分;学生部分的网络一般为1个,称之为“学生”,负责实际的图像分类任务。本文在传统知识蒸馏方法的基础上,提出了一种基于多教师知识蒸馏改进策略的医学图像分类方法。该方法的主体框架由教师部分和学生部分组成,其中教师部分由多个教师组成,学生部分由多个轻量级学生组成,教师和学生之间建立起一一对应关系。首先,多位教师分别从原始数据中学习以获得先验知识;然后,每一位老师使用学到的先验知识训练一个对应的学生,此过程称为知识转移,通过知识转移,实现模型压缩、降低计算成本的效果;最后,采用基于投票法的知识融合方法和基于平均值的知识融合方法对多位学生的预测结果进行融合,实现计算精度的进一步提升。将本文提出的方法在公开的鼓膜数据集上进行验证,得到了较高的分类准确率,其中模型的训练准确率达到99.02%,测试准确率达到97.38%。在灵敏度上,本模型达到98.25%,在特异性上达到96.15%。此外,在模型压缩的具体效果上,该方法降低了模型深度,明显减少了参数量和计算时间,大幅降低了计算成本。本文创造性地改变了知识转移和知识融合的顺序,使得学生能够更好地学习不同教师在特征学习方面的不同特点。同时,本文所提方法借鉴了集成学习的原理,提升了分类准确率,具有较好的应用价值,能够为临床疾病诊断提供借鉴。