口腔白斑是指发生在口腔黏膜上的白色或灰白色的斑块状损害,口腔扁平苔藓是一种常见的慢性口腔黏膜皮肤性疾病,两种疾病均属于非传染性口腔斑纹类疾病。其中,口腔白斑属于癌前病变或潜在的恶性疾患范畴。目前,口腔斑纹类疾病的诊断主要依赖医生的临床经验,诊断结果易受主观因素的影响,且诊断效率较低。为此,本文主要研究基于计算机视觉技术的口腔黏膜斑纹类疾病自动识别的辅助诊断方法。以往,辅助诊断方法通常利用单任务学习神经网络训练模型,挖掘数据中的特征进行真假辨别。本文主要针对医疗数据量较小的问题,研究基于数据增广策略的口腔斑纹类疾病识别方法,并进一步提出基于多任务学习的口腔斑纹类疾病分类识别模型。主要研究内容有:1.针对口腔白斑和口腔扁平苔藓数据集数量较小,并存在着类内不均衡的数据问题。本文提出一种稀疏性的深度卷积生成式对抗网络方法来实现数据增广。生成式网络模型生成一个新的口腔图像,判别模型通过判断图像是否为真实的口腔数据,通过反向传播,两个模型相互对抗,生成式模型尽最大可能的生成更逼真的口腔数据,判别式模型尽最大可能判别样本的真实性,两者不断优化改进得到最优的模型。本文方法优化了生成式网络模型,加入稀疏性限制:改进dropout方法,计算节点激活值的大小,从小到大按递减式比例的将神经元节点置为0,保留较大的激活值节点可以最大程度的利用图像的有效信息。实验结果表明,该方法能够有效的解决口腔数据存在的类内不均衡导致分类结果差的问题,其分类准确率提高了6.30%。2.针对口腔白斑和扁平苔藓数据存在的类内差异化大,而类间差异小的问题,本文提出基于多任务学习的分割与识别方法,首先对图像进行预处理,调整大小,将预训练模型作为该多任务学习模型的起点迁移到该目标任务上;然后,通过卷积神经网络提取基础共享层的通用特征图信息,在共享结构的基础上,为每个任务设计特定层从中提取更具辨识力的特征图信息;最后,目标检测网络和分割网络通过共享网络及自己网络的特征信息给出结果,分类子网络同时结合分割网络的特征图共同对口腔数据进行分割与识别。实验表明,该方法能够有效的提高分类准确率,并能敏感、精准的分割病灶区域,分类准确率和分割结果分别提高了4.25%和12.98%。