在我国,现如今胃癌已经成为第三大癌症,并且每年都会有40万人左右深受胃癌所带来的伤害。目前,在临床上对胃癌进行诊断的常用手段之一就是内窥镜检查。胃癌在发病时较为隐匿、不易被患者所察觉,早期经常会因为没有明显的症状而导致漏诊的情况出现,并且还具备易转移、复发和预后差等特点。据研究表明,内窥镜检查可以显著的减少亚洲患者胃癌死亡率。在检查过程中产生的大量内窥镜图片需要由专业的内科医务人员去进行初步筛选,这对于医生的经验、精力、时间都有着较高的要求。此外,还存在着某些图片病灶不够明显或者有异常的情况,因而诊断难度较大。本篇论文主要研究对内窥镜图片进行分类检测并提高分类准确率的问题,主要工作如下:第一,文中所用的数据集由医生通过电子内窥镜采集,分为胃癌、胃溃疡、胃息肉和正常四类图像并且数量较少,因而通过三种数据增强方法来对现有样本进行处理,包括旋转翻折、Gamma校正和直方图均衡化。第二,随着人工神经网络的兴起,卷积神经网络已经被证明可以应用到图像分割、图像分类等场景中,它具有强大的特征提取能力。因此,文中提出了一个卷积神经网络模型GEINet（Gastric Endoscopy Image Net）,并使用该模型去研究数据增强方法对内窥镜图像多分类问题的影响。迁移学习是使用卷积神经网络进行图像分析的一种方法,它能够针对已经在其他领域中训练完成的卷积神经网络模型,再次利用一些非源领域的数量不多的样本去进行微调,从而能够实现适应新领域任务的目标。文中采用了五种迁移学习的预训练模型来对内窥镜图像数据集进行训练,而后对得到的模型进行优化,通过对优化前后的模型进行对比,找到一种迁移学习预训练模型结合数据增强方法进行内窥镜图像多分类时性能指标较好的搭配方案。为了能够提升模型的泛化能力、减少过拟合的风险,文中对三组实验均采用了五折交叉验证,并使用五次结果的平均值作为实验的最终结果。实验结果表明,在针对内窥镜图像多分类的任务中,采用了数据增强方法后使分类精度提高了2.50%～11.62%。为了进一步提高性能,采用了五种不同的迁移学习预训练模型并设计了相应的网络,特别是在使用Dense Net201预训练模型,搭配旋转翻转、直方图均衡化和Gamma校正等数据增强方法后,准确率达到99.63%。经过详细的对比实验,表明使用数据增强方法结合迁移学习预训练模型可以得到较好的医学图像多分类问题的性能指标。