随着现代医疗科学技术的快速发展,以及医疗设备的不断更新,医疗研究中出现了越来越多的医学图像,毫不夸张的说每天医学图像的增长呈现指数式上升。面对如此多的海量医学图像,人们也在积极进行研究,努力为国家医疗事业做出贡献。医学图像分类也已成为重要的研究热点,但是,由于医学图像种类繁多,且人体结构复杂,传统分类方法在进行操作时,其分类效果已不尽如人意。而近年来随着机器学习技术的快速发展,使得医学图像分类领域产生了更为先进的方法。其中,支持向量机（Support Vector Machine,SVM）和深度学习网络（Deep Learning Network,DL）由于其优良的分类性能而在医学图像研究领域得到了广泛的应用。尽管如此,使用机器学习方法解决医学图像分类大多存在以下问题:（1）首先,医学图像本身存在以下问题:维数高、复杂度高。复杂度高导致传统分类方法提取医学图像特征较为困难,且提取到的特征也没有较高的区分度。此外,如果医学图像本身维数过大,则在进行分类时会严重影响分类精度。例如,在将高维医学图像送入SVM进行分类时,就会存在维数灾难的问题。因此,在医学图像的分类研究中,寻找一种合适的方法在解决图像高维问题的同时,又能提取到有效的医学图像特征,具有重要的研究意义。（2）其次就是分类性能的问题。虽然与传统分类方法相比,运用机器学习方法进行分类,其分类效果有了很大的提高。但就机器学习方法本身而言,其实现过程可以进一步优化,以便能够使得分类效果进一步提高。例如,SVM在对医学图像进行分类时,十分依赖于核函数和核参数的选取,而对SVM进行核参数的优化,则能在分类时达到更高的精确度。因此,医学图像分类已成为一个越来越具有挑战性的问题。针对大多数传统的分类方法中存在的问题:医学图像特征提取困难,分类器的精度有待提高。本文提出模型融合的思想,并基于此设计了一种基于深度学习的高精度医学图像分类方法,将卷积神经网络（Convolutional Neural Network,CNN）和SVM以及量子粒子群优化算法（Quantum-behaved Particle Swarm Optimization,QPSO）相结合,即混合CQ-SVM。本文的研究内容主要分为以下几个方面:（1）深度学习方法由于其强大的学习能力,使得它在特征提取中成为了关键所在。应用于医疗图片时,也很好的提取了关键性特征。所以,本文在进行实验时,单独训练了一个浅层的网络用来对医学图片进行特征提取。在我们的工作中,训练出较好的CNN网络是这部分的重点。同时,训练完毕的CNN也对医学图像进行了降维处理。并通过相关程序进行实验证明了CNN在我们的方法中可以起到的两大关键性作用。（2）本文中,我们选择了性能优良的SVM作为分类器,针对核函数的选择,根据前人的研究经验,选取了最常用的RBF核函数。除此之外,SVM中有几个关键性的超参数需要我们进行设置,一般人为设置的参数会导致较大的结果误差,所以,我们将使用QPSO算法来对SVM的核参数进行自动寻优。并通过实验分析,验证了优化后的核参数使得SVM的分类性能得到了进一步的提高。（3）基于模型融合的思想,将训练完毕的CNN视作一个可训练的特征提取器,将QPSO优化的SVM视作可训练的分类器,二者融合形成新的混合模型,即CQ-SVM模型。该方法可以从原始医学图像中自动提取特征并生成预测。实验结果表明,该方法能较好地提取医学图像特征,并达到较高的分类精度。最后,我们选择了来自kaggle网站上的乳腺组织病理学图像对CQ-SVM模型的分类性能进行了实验和分析,并就两个方面进行了比较和说明,一为医学图像特征提取方式的不同对结果造成的影响,二为分类方式和优化方式的不同对结果造成的影响。多组实验中的最终分类精度显示,相比原始模型,这两种结构的融合模型在乳腺癌病理组织图像的IDC阳阴性分类上取得了更好的效果。