随着深度学习方法的不断突破,计算机辅助诊断技术在医学影像分析领域得到越来越多的发展。医学影像分析作为计算机辅助诊断技术的关键,其依赖的是基于图像处理技术的深度学习方法,本文涉及的膀胱镜肿瘤影像分析更是依赖基于深度卷积神经网络的多目标检测方法。但膀胱镜检影像样本和标签数量无法摆脱欠缺的问题,面临着小样本场景下的膀胱肿瘤感知技术难题。本文立足于深度卷积神经网络,从小样本场景的多目标分类和检测着手,重点研究了集成学习和元学习对提升分类及检测鲁棒性的实际作用,提出一种基于集成学习与元学习的小样本分类方法以及一种基于元融合神经网络的膀胱肿瘤检测方法,基本上解决了小样本场景下的膀胱肿瘤镜检影像分析的临床实践。本文还针对上述方法依赖于手工设计的卷积神经网络的缺陷,利用神经网络架构搜索方法改进当前膀胱肿瘤感知模型,提出一种基于任务自适应神经网络架构搜索的改进方法,应用在小样本分类任务上,自动搜索出卷积神经网络模块的结构,取得较手工设计网络更好的表现,并由此改进了膀胱肿瘤检测方法。本文主要开展了上述三个研究工作,通过设计对比实验,分析说明了各自方法对小样本场景下膀胱肿瘤镜检影像感知的改进作用,其主要体现在识别准确率以及检测指标的提升,共同助力当前膀胱肿瘤临床上计算机辅助诊断技术的突破。