目前,机器学习在医学领域已经成为一种有效的工具,其中最为突出的是基于机器学习的医学图像辅助诊断。计算机辅助诊断可以提高医生在医学图像检测、识别和分割任务中的能力。在医学图像分析研究中,一些基于机器学习的方法取得了优异的性能。然而,这些方法在使用有监督训练时严重依赖于大量的有标记数据集。而在大多数情况下,获取大规模特定医学图像的有标记数据集是很难实现的。以往大多机器学习算法的研究采用数据增强方法。数据增强虽然提高了模型在初始数据集上的性能,但通常无法捕获低频特征的复杂变化。同时该方法在实际应用中的泛化能力并不可靠。而在医学图像分类任务中,强大的泛化能力是必不可少的。另一种广泛使用的算法是小样本学习方法,它在非常有限的标记数据集（通常只包含目标类的少量训练样本）上寻求对目标的良好泛化。另外,在医学图像研究中,只提取单一特征往往是不够的。多尺度学习方法可以有效提取更多特征信息。本文结合小样本学习方法和多尺度学习方法,构建了新型的深度网络模型,对医学图像分类问题进行研究。论文主要内容如下:（1）基于小样本学习构造了一个新的分类模型。在这个模型中,我们结合了卷积神经网络和分类器比较策略。首先,利用卷积神经网络作为深度特征提取器。然后用小样本学习算法代替数据增强来对抗感音神经性听力损失患者的磁共振图像数据缺乏的问题,并增加泛化性能。最后,将感音神经性听力损失患者的磁共振成像分为左耳感音神经性听力损失、右耳感音神经性听力损失和健康对照组三类。该框架能够有效地对SNHL数据集进行精确分类,显著提高了分类效率,并表现出良好的泛化能力。（2）利用多尺度深度学习方法进行计算机辅助诊断。卷积神经网络作为深度学习的代表算法,具有很强的特征学习能力。该算法能够有效提取图像的高频和低频特征,非常适用于需要像素级分析的医学图像。本文基于多尺度深度学习算法对于宫颈神经内分泌癌的病理图像进行分类。实验结果表明,多尺度深度学习算法能够很好地提取图像特征用于图像分类任务。