近年来,深度学习技术被广泛应用于计算机视觉的各个领域,并取得了显著成功。在医学肝脏病变CT图像分类任务中,基于深度学习的技术发挥着至关重要的作用。然而,由于有价值、高质量肝脏标记数据的不足以及部分肝脏病变图像存在的类内差异性与类间相似性,致使目前肝脏病变的分类精度尚不理想。为此,本文将深度学习技术应用于医学肝脏CT图像领域,对肝脏数据增强与肝脏病变分类展开了研究,主要研究内容如下:（1）针对肝脏标记图像数量不足、质量不佳的问题,提出生成高质量、多样性肝脏图像的降噪生成对抗网络（Denoising GAN）。利用全连接映射网络,将Denoising GAN输入隐变量的映射作为生成器与其中条件批归一化层的动态输入,使映射的隐变量到图像特征的映射空间更加线性,提升生成图像的多样性。利用预训练条件变分自编码器引导判别器中全连接层的梯度,增强判别器对真假样本的判别,间接影响生成器关注关键特征。提出的全局与局部注意力（GL-Attention）机制融合学习特征的长范围依赖与短范围依赖,能够有效引导网络中的正向信息流与反向梯度流,进而提升生成图像的质量。实验表明,提出的方法能够生成高质量的降噪增强图像,并在Inception Score（IS）与Fréchet Inception Distance（FID）的评价指标上取得了更优结果。（2）针对部分肝脏病变图像存在的类内差异性与类间相似性给肝脏病变分类任务带来的困难,以及现存分类网络层级特征提取与利用不充分、泛化能力弱的问题,提出一种训练稳定的残差密集连接网络（Res-Dense Net）。Res-Dense Net主要由浅层解耦密集连接网（Decoupled Net）与深层内聚残差密集连接网（Cohesive Net）组成。构建的更宽的Decoupled Net结构,将网络的输入映射到自由度更广的浅层网络输出,提升了网络的泛化能力,一定程度上改善了类内差异性;提出的Cohesive Net能够自适应地控制网络中层与层之间信息的保存,实现精细的多维度层级特征提取,有效解决了类间相似性问题。除此之外,本文还提出了一种新颖的密集判别损失用以优化整个网络,以学习更加准确的区域注意力与细粒度表示。为了防止肝脏数据量不足引起的分类网络过拟合,将原始图像与Denoising GAN的生成图像共同作为各种网络的训练数据集,并在此基础上进行了广泛的基准评估与可视化分析。实验结果表明,提出的Res-Dense Net模型的分类结果与泛化性能取得了更先进的效果。（3）设计与实现了医学肝脏CT图像识别系统,该系统主要由基础操作模块、肝脏CT图像转换模块、肝脏病变识别模块与可视化模块组成。该系统的实现对提高医生的工作效率、辅助医生进行病变的识别与分析以及帮助患者尽早、及时地发现疾病等具有重要意义。