胃癌在全球的发病率和死亡率位于恶性肿瘤的前列,在我国是消化道中发病率最高的恶性肿瘤,致死率位于前三,进展期胃癌治愈率较低,因此早期胃癌的检测至关重要。随着深度学习在医学图像领域的广泛应用,利用计算机检测技术进行辅助诊断,可有效改善因医生个体差异导致的诊断结果偏差。本文基于胃镜镜检环境下的早期胃癌病灶特征,对早期胃癌智能检测算法展开研究,具体工作包括:考虑到早期胃癌病灶特征形态多样化且其数据集较为缺乏的难点,采用几何光度形变对早癌图像进行增强处理,并提出一种噪声-滤波图像增广方法,使得在保留原有目标特征的基础上有效实现数据集扩增功能。为解决胃镜灯光造成的高光干扰问题,对胃镜图像中的高光部分进行修复处理,从而减少外部因素对早癌特征的影响。针对早期胃癌各异性引起的特征描述困难问题,提出从浅层特征和深度特征两方面获取早期胃癌特征集。在浅层特征提取方面,采用方向梯度直方图（Histogram of Oriented Gradient,HOG）算法突出边缘梯度特征变化。在深度特征提取方面,为了获取丰富的特征信息,提出一种嵌入卷积注意力模块（Convolutional Block Attention Module,CBAM）的早期胃癌特征提取网络,并通过注意力可视化验证了该网络对癌变区域的自适应突出性能。为了促进早期胃癌特征集深入融合表达,提出一种浅层HOG梯度特征与深度注意力路径聚合的早癌特征融合网络。其中,深度注意力路径聚合中嵌入Transfomer编码器和CBAM注意力,以使得融合后的特征图早癌语义空间信息更加饱满。经融合的特征图获取后,采用检测头部网络对目标预测框进行筛选以得到检测结果。至此,基于特征提取、特征融合和检测头部的信息融合,设计了胃镜镜检下的早期胃癌智能检测算法（Early Gastric Cancer Detection Algorithm,EGCD）。实验结果表明,本文所提的EGCD算法平均检测精度提升了2.25%,并在早期胃癌检测的漏诊率和误诊率方面均有改善。同时,通过消融实验验证了特征提取和特征融合设计的有效性。依据早期胃癌镜检需求,设计开发了胃镜镜检辅助诊断系统,为医生镜检诊断提供参考。