幽门螺旋杆菌（Hp）感染与很多消化道疾病相关,包括十二指肠溃疡、胃溃疡、胃腺癌和胃粘膜相关组织淋巴瘤等,尽早对幽门螺旋杆菌进行根除可以降低患者感染消化道疾病甚至是患癌的风险。利用消化内镜检查幽门螺旋杆菌感染具有直观、实时的优点,研究一种有效的计算机辅助诊断技术对胃镜检查中幽门螺旋杆菌感染进行智能分析,可以在内镜检查中及时提示幽门螺旋杆菌感染状况,提高医生对相关胃部疾病的诊断意识,并且对初级医生的内镜检查提供较好的辅助参考作用,具有重要的理论意义和临床使用价值。目前,已有基于机器学习和深度学习技术在胃镜图像下进行幽门螺旋杆菌感染识别的研究。然而这些研究都是使用医生从检查视频中筛选的特定图像构建数据集进行训练和测试,标注工作耗时耗力,且对真实视频流的鲁棒性较差。此外,这些方法在临床实际测试时,仍然需要医生输入特定帧进行分析,大大增加了正常内镜检查的工作负担。考虑到临床上能够通过呼气试验和活检病理方便地获得病例的视频级感染标签,因此,围绕胃镜检查中幽门螺旋杆菌感染识别问题,本论文结合卷积神经网络和多示例学习提出了一种基于深度多示例学习的视频分类模型,基于弱监督数据集实现对幽门螺旋杆菌感染的自动化识别,并构建了一套胃镜视频幽门螺旋杆菌感染智能分析系统进行了前瞻性实验,主要研究内容如下:（1）提出了基于示例空间算法的胃镜Hp感染多示例分类模型。首先通过采用多示例训练方法,在训练时动态地交替更新感染概率排序前K（Top-K）的图像和模型参数,使模型具备探测感染帧的能力,最后,使用预测概率Top-K的各帧图像的概率平均值预测整体病例的幽门螺旋杆菌感染结果。本研究首次在无需医生手动筛选图像并标注以构建数据集的前提下,实现了对幽门螺旋杆菌感染视频分类问题的有效建模。该模型的分类准确率为88.33%,敏感度为90.00%,特异度为86.00%,AUC分数为94.29%。（2）提出了基于混合空间算法的端到端胃镜Hp感染多示例分类模型。在基于示例空间算法的分类模型中,算法的训练过程中仅仅考虑了视频局部的单帧图像信息,缺乏对视频的整体感知能力,对单帧感染标签的估计误差会持续累计,进而导致视频预测性能的下降。因此,为了进一步提升模型整体性能,本文结合多尺度特征金字塔网络和多示例嵌入空间算法,设计了基于混合空间算法的深度多示例端到端视频分类模型。相比基于示例空间算法的分类模型,该模型在整体性能上获得了提升,其准确率为90.83%,敏感度为92.86%,特异度为88.00%,AUC分数为96.57%。（3）基于所提出的深度多示例端到端视频分类模型,本研究设计了一套胃镜视频幽门螺旋杆菌感染智能分析系统,并将其部署在国内某三甲医院的消化科对282个胃镜检查进行了前瞻性验证实验。结果显示,AI系统的分类准确率为89.72%,敏感度为89.12%,特异度为90.37%,AUC分数为94.47%,医生诊断结果的准确率、敏感度和特异度分别为77.66%、78.91%和76.30%,AI系统在各项指标上均明显优于医生的诊断水平,充分验证了本研究所提出的算法的鲁棒性和临床实用性。