随着计算机技术和生物信息技术的发展,医学信息数据迅猛增长,医疗行业已经进入了大数据时代,计算机辅助诊断（Computer Aided Diagnosis,CAD）逐渐成为行业学者和专家的研究热点,基于医学图像的疾病风险评估作为计算机辅助诊断的核心技术之一,越来越为人们所关注。针对目前基于医学病理图像进行疾病风险评估的模型存在的直接使用整张图像进行学习而引入大量噪声导致准确率下降和仅针对感兴趣区域进行学习而忽略了其它有意义的部分导致模型泛化能力不强的问题,本文将多示例学习方法与深度学习模型相结合,构建了多示例深度学习模型（K-means based Multiple Instance Learning-Deep Convolutional Neural Network,KMIL-DCNN）。模型能够突出图像中恶性部分的特征,丰富图像中良性部分的特征,得以更精准地对医学病理图像进行疾病风险评估。首先,对多示例学习算法进行了改进,将多示例学习与K-means算法相结合,提出了一种基于K-means聚类算法的多示例学习模型（K-means based Multiple Instance Learning,KMIL）,用于对示例标签进行标记。并对K-means算法的类簇初始中心点的确定方法进行了改进,直接利用所有负示例确定负类簇的初始中心点,提高了KMIL模型对示例分类的准确性。然后,将多示例学习算法与多种深度学习模型相结合,并对深度学习模型的输入数据进行了筛选,舍弃多示例学习的输出结果中处于类簇边缘的示例,保留标签更加准确的示例,作为深度学习模型的输入,训练多种深度卷积神经网络模型,选择表现最好的深度学习模型,确定最终的KMIL-DCNN模型,以对医学病理图像进行疾病风险评估。最后,以Brea KHis乳腺癌数据集为例,在搭建好的实验平台上,以准确率和泛化性能作为评价指标,对提出的KMIL-DCNN模型的有效性进行了验证。仿真实验结果表明提出的KMIL-DCNN模型在准确率和泛化性能这两个方面都优于现有的模型,能针对医学病理图像进行更加准确的疾病风险评估。