在医疗系统中,内镜检查一直以来都是医生诊断患者病情的重要手段之一。虽然内镜成像技术一直在不断发展,但对于内镜成像的准确分析以及对后续病情的快速诊断,对医生而言是极大的挑战。而胃镜作为一种常见的内镜类型,由于其影像的高相似性和病灶的隐蔽性,对检查人员识别病灶并判断病情的能力要求更高。因此,如何通过技术手段快速有效的辅助医生进行胃镜成像的影像分析与病情诊断,降低误诊及漏诊的发生概率就是一个具有相当意义的问题。同时,移动互联网近年来发展的非常迅速,智能移动终端已经越来越普及。伴随于此,移动医疗受到了医疗、电子科技以及其他相关领域越来越多的重视,发展异常迅速,诞生了大量不同功能不同应用场景的移动医疗APP,极大的满足了用户对便捷医疗的需求。基于上述考虑,本文实现了一种基于集成学习和卷积神经网络的对胃镜影像的分析方法,用以辅助医生快速的发现并确定病灶部位,提高医生的诊断病情的效率,避免经验不足的医生可能会发生的漏诊或者误诊的情况。该方法基于AdaBoost集成学习方法,利用AdaBoost将由AlexNet、GoogLeNet、VGGNet和ResNet四个卷积神经网络构成的四个子分类器通过分别设置不同的权重参数后结合为一个总分类器,在将结果累加并加权综合后得到最终的分类结果。经过实际验证以及和现有的方法的对比,发现本文的方法有效地提高了传统胃镜检查中的精度,在敏感性、特异性、漏诊率和误诊率四个关键指标上大大超越了传统的方法。此外,本文还设计了一个可以提供手术直播、远程会诊及视频会议的移动医疗服务平台——“好啦医生”医疗服务平台,前文实现的胃镜影像分析功能也会在将来集成到“好啦医生”医疗服务平台中,增强平台的功能性的同时,也可以扩大平台的应用范围。平台采用C/S架构和MVC的设计模型,从功能上可分为后台服务器端、客户端和Web管理员端三部分。而其中客户端又分为三部分,分别为公开发布的iOS、Android客户端APP和仅限授权用户使用的Android端视频推流APP。本文会较系统地阐述“好啦医生”医疗服务平台的后台服务库端以及Android端的两个APP从需求诞生到最终开发完成发布成功的整个过程。系统的设计及开发采用了包括基于xUtils框架的Android开发技术以及基于JFinal的后台Redis、MySQL数据库技术。本平台基于硬件进行深度开发,使得对硬件的适配性高,功能冗余小,功能上更加贴合用户的需求,使用者的上手难度低,操作更便捷。