伴随着海量数据时代的到来,计算机辅助决策系统(CAD)以一种低时间消耗和高灵敏度的优势融入影像分析,语音识别和情感计算等领域。传统的CAD系统在图像分类上过度依赖于先验的关键点选择,特征提取和分类器分类。而特征提取算法往往对最终的CAD系统成败产生重要影响。近年来,深度学习和主成分分析特征提取技术在数据处理方面取得较好的收益,然而针对人体小肠的胶囊内窥镜图像分析的复杂多样性,当前的处理算法存在一定的局限性:(1)深度学习算法在隐藏层中的信息存在冗余,怎样确保在神经网络中高效筛选出有利于最终任务的高价值信息?(2)计算机量化的胶囊内窥镜图像分析仍然是一个挑战,考虑到摄像机拍摄的角度和光照相对于小肠壁是不可控制的,如何量化小肠绒毛特征?为了解决上述问题,本文作了如下创新:(1)提出一种新的深度学习局部注意力模块用于乳糜泻疾病的诊断。这种注意力模块不仅关注乳糜泻疾病图像的全局通道信息,而且考虑到局部空间的显著性特征。在网络训练过程中为每个卷积输出的特征图进行通道和空间信息的权重分配,丰富对当前学习任务有利的特征信息,弱化不重要的信息。(2)提出一种新的基于非贪婪的L1-范数最大化的条带状主成分分析算法用于乳糜泻疾病的诊断。在乳糜泻疾病中绒毛萎缩常常伴有粘膜褶皱,裂隙和马赛克外观。针对乳糜泻疾病这种特殊的病理模式和局部图像具有高度的相关性的特点,我们通过实验发现条带状的主成分分析更加适用于乳糜泻疾病的诊断。