随着各式各样的医学仪器不断涌现,临床诊断中出现了越来越多的医学图像。由于医学图像种类繁多,且人体结构复杂,人工提取医学图像的特征比较困难,自适应能力差,分类效果有待提升。近年来深度学习方法成为机器学习的热门研究领域,同时也在医学图像领域的应用中取得了初步成效。深度学习方法不需要人工过多干预,能够抽象提取图像特征,比传统方法更简单,且学习能力更强。因此本文将深度学习模型应用到医学图像中肺结节的良恶性的分类中,通过使用深度学习中不同的方法和模型,进一步提高肺结节良恶性分类的准确性。本文研究内容主要分以下几个方面:首先从卷积神经网络入手,分析了传统肺结节良恶性分类方法的不足,提出了卷积神经网络和支持向量机对孤立性肺结节良恶性分类的方法。针对肺结节分类问题,利用卷积神经网络特征提取的优势,提取肺结节图像特征,经过主成分分析降维处理后,用粒子群优化的支持向量机进行分类识别。本文选用LIDC-IDRI数据库肺结节图像进行实验,结果表明,本文提出的卷积神经网络神经网络和支持向量机对肺结节良恶性分类识别的准确率达到92.75%。然后从深度置信网络入手,分析了深度置信网络中BP算法的优点和不足。针对BP算法在微调过程中可能陷入局部极值问题,本文提出了人工蜂群算法改进的深度置信网络,改善了BP微调的问题,然后将其应用到肺结节的良恶性分类中。通过改变网络隐藏层的节点数进行对比实验,本文提出的人工蜂群算法改进的深度置信网络在小样本或简单网络模型的分类中取得了较好的分类结果。