据世界卫生组织（WHO）统计,每年全球大约有180万人直接或间接死于胃肠道类疾病,然而目前存在专业内镜分析医生较少,患者产生的内镜数据较多导致的医患矛盾问题。故考虑使用人工智能“AI”辅助消化道疾病识别,而基于人工智能的消化道辅助诊断技术面临数据量大,分类网络模型众多,数据隐私安全得不到保障导致的网络模型选择困难。因此,本文针对前述关键问题做出相关研究。本文针对深度学习在医学图像领域面临的:数据隐私安全要求高导致的数据不共享;所需分析的数据量大,集中式处理方法通信和计算成本太高;数据集质量参差不齐,高质量大规模的数据难获得等问题,提出利用联邦学习技术缓解各医疗机构由于图像数据隐私问题而不能进行共享计算的矛盾,并对联邦学习中权重聚合算法进行了优化,并针对各医疗机构数据样本分布不均衡导致的模型精度受损问题提出改进方法,并通过实验证明该方法能有效减少40%模型训练时间。由于参与联邦学习的各医疗节点的数据存在异构性与格式不统一的问题会影响整个协同计算的性能,本文利用深度强化学习构建一个分类网络模型的智能选择框架,并在公开数据集Kvasir上对该网络智能选择框架设置了对比试验,实验证明本框架的网络选择方法对比穷举式网格搜索算法有效减少分类网络模型的选择时间,相较于其他同类算法在图像分类准确率上有3%到5%的精度提升。最后,本文开发了针对消化道疾病的智能识别系统,该系统具备消化道疾病的识别、患者病例存储,分布式训练等功能,并针对该系统完成了相关系统测试。本文针对“AI”辅助消化道图像诊断存在的网络模型算法选择困难,数据隐私安全问题做出研究,针对存在的问题提出了自己的研究方案,并通过实验证明了方案的有效性和可靠性。