目的儿童中耳炎发病率高,是儿童处方抗生素的主要疾病之一,耳内镜是耳科常规检查,准确的耳内镜诊断有利于中耳炎的早期发现、准确治疗和密切随访。为实现耳内镜智能诊断,提高诊断准确率,本研究基于深度学习,构建儿童中耳炎耳内镜图像的深度卷积神经网络（convolutional neural networks,CNNs）的分类模型,同时为探索人工智能（artificial intelligence,AI）实现儿童中耳炎远程筛查、随访的新方法,进一步研究CNNs模型在耳内镜手机图像的诊断表现。资料和方法:回顾性收集深圳市儿童医院耳鼻咽喉科内镜数据库中诊断为儿童急性中耳炎（acute otitis media,AOM）、分泌性中耳炎（otitis media with effusion,OME）和正常耳的耳内镜图像资料,根据筛选标准将纳入的图像由人工分为三种类型,数据集随机分为训练集和测试集,选择两种主流的预训练模型Xception和MobileNetV2,通过迁移学习,原始网络中最后的输出大小为1,000的全连接层被输出大小为3的新全连接层代替,即“AOM、OME和正常”三个类型,对两种CNNs的准确性、敏感性、特异性、受试者工作特征曲线（receiver operating characteristic curve,ROC）和 ROC 曲线下面积（area under the ROC,AUC）,以及类别激活映射图（class activation mapping,CAM）等进行评估和分析。前瞻性将智能手机连接耳内镜获取的手机图像,按照上述三种类别纳入图像数据集,利用构建的两种CNNs对手机图像数据集进行测试,对两种图像类型的分类性能和CNN可视化表现进行比较。结果:共有12,203张耳内镜图像（来自7,053名儿童）入组,包括AOM、OME和正常耳三种类型,训练集共10,703张,包括AOM3,355（31.3%）张,OME4,113（38.4%）张和正常耳3,235（30.2%）张,测试集共1,500张,每种类型有500张。使用CNNs对数据集进行10次重复训练后,Xception和MobileNetV2的总体分类准确率分别为 97.45%（95%CI:96.81%-97.94%）和 95.72%（95%CI:95.12%-96.16%）。共有102张手机图像（来自85名儿童）入组构成测试集,包括AOM 26张、OME 35张和正常耳41张,使用两种CNNs对手机图像测试集进行10次重复训练后,Xception和MobileNetV2的总体准确率分别为90.66%（95%CI:90.21%-90.98%）和 88.56%（95%CI:87.86%-90.05%）,提示模型有较好的泛化能力。通过混淆矩阵计算,两种CNNs在耳内镜图像分类的准确性、敏感性、特异性、AUC等指标表现均优于手机图像,虽然原始的手机图像清晰度低于耳内镜图像,但两者的CAM表现是一致的。结论:基于深度学习的CNNs可实现对儿童中耳炎的智能分类,利用智能手机连接耳内镜,进一步开发筛查工具,有望实现儿童中耳炎的早期发现和持续监测,尤其在COVID-19大流行期间,AI远程医疗对减少聚集、减轻社会医疗负担有重要意义。