膝关节紊乱异常是一个影响多个年龄段群体的普遍问题,磁共振成像可以将膝关节的解剖结构以高分辨的图像呈现出来。目前已有一些研究将深度学习应用于膝关节磁共振图像相关的任务中,大多采用了监督学习方法,但该方法需要医生专家手动标记每一个样本,致使大量精力与时间的耗费,加重了临床医生的压力。而半监督学习方法通过使用有限的带标签数据与大量的无标签数据可以有效缓解人工标记压力。此外,磁共振成像存在扫描时间长与成本高的问题,这使得单一中心的磁共振数据数量十分有限。但当前的半监督学习研究普遍理想地采用了同一个中心的数据展开科研工作,容易造成模型对单一中心磁共振数据的过拟问题,也不利于模型鲁棒性的提升。针对上述问题,本文提出了用于多中心磁共振数据的半监督学习方法,并将其应用于膝关节异常分类任务。首先选取了两个不同中心的膝关节磁共振数据集作为带标签与无标签数据,然后利用了一致性正则化方法引入仅需要无标签数据的无监督项,接着将其与仅利用带标签数据的监督项相结合,约束神经网络从膝关节磁共振图像中提取出更具有膝关节异常分辩能力的深层特征,之后再将提取到的特征用于预测样本。为了验证半监督方法的有效性,本文也提出了与之配对的监督学习方法,接着做实验对比了这两种方法在膝关节异常诊断中的表现,通过5个指标的综合比较,发现利用了半监督方法的模型具有更优良的模型分类性能和泛化能力。在上述工作的基础上,本文利用了指数移动平均算法对半监督学习方法进行了优化升级,在原先的半监督学习方法中无标签数据的伪目标是由单个模型给出的,而优化后的方法将当前的模型与它对应的所有以往模型进行了加权平均,使得伪目标的生成是由多个模型一起参与和贡献的。首先选择了在前交叉韧带撕裂分类问题中具有典型性与非典型性的数据集作为实验对象,接着展开了半监督学习方法在这两个数据集上的双向应用。在模型评价过程中不仅利用了带标签数据集的测试集,也考虑了模型在无标签数据集上的性能表现。实验结果表明,无论是在带标签数据集的测试集上还是在无标签数据集上,上述的半监督学习方法与优化后的半监督学习方法各自所对应模型的性能都胜过了监督方法训练出来的模型,并且优化后的半监督方法表现是最好的。这表明了优化前后的半监督方法在典型与非典型数据集的前交叉韧带撕裂诊断任务中具有双向有效性。