肝硬化是人们消化系统中的常见病,许多原因会引起肝硬化的产生,威胁人们生命健康。因此,研究肝硬化的识别具有十分重要的现实意义。但由于临床医师在基于医学影像的肝部疾病诊断中会存在一定的主观误差,且肝部影像存在病理纹路不清晰、纹理特征不均匀等问题。所以,利用计算机辅助诊断技术进行肝硬化的诊断有助于提高临床诊断的效率和准确率。传统机器学习通过多种特征提取算法,形成特征向量,将特征向量输入分类器对进行分类,诊断识别准确率不高,且存在大量时间和人力的浪费问题,所以传统的机器学习不能满足诊断需求。对于以上所存在的缺点,本文又采用了深度学习算法,其具有自动学习卷积神经网络中更具区分性的特征的能力,很好的解决了上述问题并且提高了识别区分肝硬化与正常肝病理图像的准确率。本文主要提出了两种深度学习识别算法:(1)采用改进的一种基于数据增广的多尺度多特征卷积神经网络(Multi-Scale and Multi Feature CNN)模型。首先,在有限的肝硬化数据集上进行数据增广,将三种不同尺度的样本作为模型输入,模型同时学习到了不同尺度的特征;然后,将网络不同层的多尺度信息做加权求和;此外,改进了分类器权重系数,灵活调整权重灵敏度,并且通过实验验证各个尺度特征融合更有利于捕捉肝硬化图像中的多变纹理信息,最终提升了整个算法的性能,实验准确率达到了99.2%。(2)采用改进的一种利用轻量级模型结构MobileNet V2与超限学习机(ELM)相结合的方法对肝硬化进行识别。采用迁移学习的方法,将在2万5千张Kaggle猫狗数据集中的样本图上进行预训练,得到的权重和参数作为初始化参数,避免产生过拟合现象。为提高识别肝硬化准确率,将模型的全连接层特征以向量形式输出,送入ELM进行分类,替代原有的softmax分类器。最终实验的测试时间低于其他模型,可低至12.7秒。相对于采用的传统局部二值模式等特征提取方法,采用深度学习模型更加适合于实际临床医学上的识别诊断,既缩短了病人诊断病症的时间,又提高了诊断的准确率,大大降低了临床医师主观因素的影响程度,具有很好的实际意义。