内窥镜检查是一种广泛使用的疾病诊疗方式,在多种癌症的临床诊断中发挥着重要作用。在胃肠道疾病诊断时,由于存在背景干扰和观察差异,导致诊断过程中可能出现误诊和漏诊的情况。而计算机辅助检测技术能够有效弥补人工识别存在的不足,帮助医师减轻负担,同时给出较为客观的判断,为临床诊断提供重要参考。本文以内窥镜图像病灶检测为切入点,针对医学图像的病灶检测问题,对深度神经网络进行研究和分析,进一步推进计算机辅助诊断在病灶检测中的实现和应用,主要研究内容如下:1.提出了一种基于特征融合增强网络的内窥镜图像病灶检测方法。该方法针对多尺度特征图独立预测的问题,将细节信息和语义信息进行融合增强,使不同层次的特征图产生关联,增强后的特征图自底向上传递,并在预测前使用通道注意力模块增加非线性激励,提高病灶检测的准确率。2.提出了一种基于多准则锚框匹配机制的内窥镜图像病灶检测方法。该方法针对单一交并比匹配准则难以准确衡量方框间重叠程度的问题,在使用交并比值进行匹配的基础上,综合考虑了先验框和真实框中心点的距离以及二者在形状上的相似度等因素,获得更加高效可靠的锚框匹配结果。3.提出了一种基于注意力机制的内窥镜图像病灶检测方法。该方法针对胃肠道图像中背景噪声容易干扰检测效果的问题,利用并行空洞卷积分支捕捉多比例的图像信息,增强网络对不同尺度目标的检测能力,并引入自注意力机制强调对病灶区域的关注度,使用无锚框检测框架提高网络的灵活性。本文提出的算法在内窥镜图像数据集上进行了实验验证,能有效降低内窥镜图像中病灶的漏检情况,提高病灶检测的精确度。