人工智能技术发展迅速,将其运用到医学图像分析领域辅助疾病诊断也逐渐受到关注。利用深度学习技术,实现结肠息肉和胃癌的智能识别具有重要的临床意义。本文针对消化内镜中的结肠息肉分割和胃癌检测存在的问题,提出了结合边界修正模块和多重注意力机制的结肠息肉分割方法以及基于SSD（Single Shot MultiBox Detector）改进的胃癌检测方法。本文主要工作和创新有以下三点:1.针对结肠内镜下息肉边界模糊导致息肉边界分割不够精确的问题,提出了一种级联的边界修正算法。该方法利用反转注意力机制、难例注意力机制以及边界分割分支引入的边界监督信息,加强息肉区域和其模糊边界的关系,使网络更加关注息肉的边界部分,逐步修正息肉边界得到更准确的分割结果。此外,还提出一种全局自注意力机制,可以捕获整张内镜图片长距离的区域与区域之间的关系。在多个公开的结肠息肉数据集进行广泛实验证明,其息肉分割精度领先于其他分割方法,通过可视化分析发现可以分割得到更准确的息肉边界。2.针对SSD检测胃癌时,不能充分融合不同语义特征图以及融合时存在语义鸿沟的问题,提出了一种双分支的特征融合算法,弥补语义鸿沟问题。此外,使用一种递归金字塔网络模型,提升了 FPN（Feature Pyramid Networks）的表达能力,得到更鲁棒的特征以检测胃癌。最后,针对SSD检测小目标的特征图缺少足够语义信息的问题,提出一个新颖的融合语义监督信息的小目标检测方法,提升小病灶胃癌检测精度。在本文胃癌数据集上的实验结果表明,改进的SSD算法比原始SSD算法在mAP指标上可以提升5.9%,达到56%,并在自然场景数据集上验证了此方法的泛化性能。3.实现了一个辅助内镜医生在线诊断结肠息肉和胃癌的系统。通过系统架构设计、各个功能模块设计以及数据库设计,融合前两章的结肠息肉分割算法和胃癌检测算法,实现了辅助结肠息肉和胃癌诊断系统,可以帮助内镜医生更好更快找到病变区域。