随着人们对深度学习的广泛关注和大量研究，径向基神经网络、玻尔兹曼机模型和卷积模型等大量的深度神经网络模型已被广泛应用。其中，卷积受限玻尔兹曼机（Convolutional Restricted Boltzmann Machine，CRBM）是深度神经网络最重要的模型之一。近年来，以受限玻尔兹曼机(Restricted Boltzmann Machine，RBM)和卷积神经网络（Convolution Neural Networks，CNNs）为基础的CRBM模型在图像分类与语音识别等领域得到了普遍地应用。　　本文主要对深度学习中模型的学习算法做了相应的研究，例如，对比散度、持续对比散度、快速持续对比散度（Fast Persistent Contrastive Divergence，FPCD）等算法，提出了基于FPCD算法的CRBM模型学习算法；对深度学习中的RBM、CNNs和CRBM等诸多模型做了相应地研究，同时，提出了分类卷积受限玻尔兹曼机(Classification Convolutional Restricted Boltzmann Machines，Classification CRBM)模型；并将基于FPCD的CRBM模型应用于医学图像分类。论文主要研究内容如下：　　（1）提出了基于FPCD的CRBM模型学习算法　　网络模型训练时间过长依然是CRBM模型目前不可忽视的问题。为了减少训练时间，提高训练效率，文章主要使用了FPCD算法对CRBM进行训练，以提高其学习速度与分类精度。通过在MNIST数据集上做实验，并与标准的对比散度算法相比较，该方法使得CRBM的学习速度得到了一定的提高，分类精度也有明显提升。　　（2）提出了分类CRBM模型　　在诸多应用中，特征提取是CRBM模型的主要作用，而分类和识别的过程是由支持向量机、回归分类器、贝叶斯分类器、基于规则分类器、softmax等一系列分类器来完成，这使得图像分类和语音识别的精度受到一定的限制。文章针对这一问题，对标准CRBM模型做了相应地改进，即将图像的标签也作为输入层的一部分，并参与整个模型的训练，最终完成图像分类任务，该模型称作Classification CRBM。实验结果显示，本文的模型相对于Classification RBM模型和CRBM模型在图像分类方面的分类准确率有明显的提升。　　（3）提出了基于CRBM的医学图像分类新方法　　由于医学图像自身的特殊性，所以利用智能的方法对医学图像做辅助诊断依然是目前的研究热点之一，常用的辅助诊断方法主要是首先提取医学图像的主要特征，然后对所提取的特征进行分类分析。目前，应用最多的是利用统计特征对图像做分类操作，但是，这种分类分析方法对图像的统计特征有较强的依赖。本文采用一种深度学习的新方法——CRBM模型，并且采用改进的FPCD算法对模型进行训练。该方法是直接从乳腺X光图像中自主学习图像的特征并且利用所学的特征对图像做分类分析。实验结果显示，新方法对医学图像的分类精度相对于已有的支持向量机、判别式受限玻尔兹曼机、粗糙集等方法有明显的提升。