急性脑出血是死亡率最高的脑血管病,脑出血类型的早期诊断和扩大预测有助于降低患者死亡率。随着计算机技术的发展和CT成像水平的提升,医学影像数据呈现出爆发式的增长,传统依靠医生手工标记和提取特征的方法难以满足海量数据分析的需求,并且较长时间的工作将导致医生出现误诊和漏诊等情况。因此,亟需计算机辅助技术为医生减轻工作压力,提供客观的诊断依据。本文基于深度学习提出新的计算机辅助诊断和预测方法,利用深度学习强大的特征学习能力,发掘不同层次数据的分布式表征,重点研究基于深度卷积神经网络的脑出血自动分类与扩大预测方法。本文的工作主要包括以下两个部分:（1）针对脑出血分割边缘拟合度低,脑动静脉畸形分类准确率低的问题,提出共享浅层参数多任务学习的脑出血图像分类方法。CT图像在疑似急性脑出血患者的及时诊断中起到重要作用,医疗人员通常使用患者的CT图像手动分割出血病灶并分类,其过程复杂且分类精度低。为了缩短诊断时间、提高脑出血分类准确率,本文提出一种新的计算机辅助诊断方法,共享浅层参数多任务学习的脑出血图像分类方法。首先基于3D U-Net网络构建分割子模块、基于卷积神经网络构建分类子模块,共享两个子模块的浅层参数,在网络浅层提取两个相关任务之间的公有特征,网络深层提取两个任务的私有特征。同时该模型根据任务的难易程度使用了复合损失函数,通过调整复合损失函数权重使模型达到很好的分割和分类性能。该方法在验证集上的平均Dice相似性系数（Dice Similarity Coefficient,DSC）达到0.828,豪斯多夫距离9.895,分类准确率、敏感度和特异性分别达到95.0%、90.5%和100.0%。实验结果证明本文提出的方法不仅能够提高脑出血边缘区域拟合程度,而且能够提高脑出血分类准确率,有效地辅助医生定位病灶,及时诊断脑出血类型,对脑出血辅助诊断研究具有重要意义。（2）针对高血压脑出血基线体积差异明显,传统扩大风险预测方法过程复杂的问题,提出注意力机制多尺度特征网络的脑出血扩大风险预测方法。注意力机制多尺度特征融合的脑出血扩大风险预测模型是一种基于深度学习的计算机辅助诊断方法。该模型包括三个部分:基于残差网络的主干部分,可以在深度网络中保持很强的表达能力,充分提取CT图像特征;基于空间上采样的二值分割辅助任务注意力模块,使整个网络的重心集中在出血病灶区域;基于多核池化的多尺度特征融合模块,可以充分利用图片空间上下文信息。在高血压脑出血验证数据集上,该方法的分类准确率达到88.34%。实验结果表明,注意力机制多尺度特征融合模型能够有效识别体积不同的高血压脑出血并提升预测扩大性能。综上,本文首先利用共享浅层参数多任务学习方法对脑出血CT图像进行分类,快速准确的识别脑动静脉畸形出血和其他类型出血,之后针对其他类型出血中最难治疗的高血压脑出血构建注意力机制多尺度特征融合网络进行扩大风险预测,为医生提供客观建议。