肝硬化已成为普遍性的慢性疾病之一,威胁着人们的生命健康。因此,对肝硬化识别研究更具有实际意义和应用价值。其临床诊断主要采用超声影像技术对肝脏病变区域进行扫描呈现,再经医师对患者的肝脏超声影像进行肉眼主观诊断,由此产生的诊断结果往往具有主观性和低可靠性。随着数字医疗设备和计算机图像处理及深度学习方法的迅猛发展,用于医学图像别分析的计算机辅助诊断技术为肝脏疾病的诊断带来了新的科研方向,为肝硬化的识别研究提供了更多的机遇和挑战。目前,计算机辅助诊断技术对肝硬化的识别研究主流方法是深度学习算法。因此,本文采用深度学习的算法,结合注意力机制的主要理论,增强了网络模型对肝脏图像的特征信息学习能力,从而提高了对肝硬化疾病的识别精度。本文主要提出了三种肝硬化识别的方法:（1）提出了一种利用优化的Alexnet模型和挤压激励网络SENet结合的肝硬化识别方法。首先,针对肝脏图像尺寸大小的特殊性,对Alexnet网络参数进行调整,然后再在Alexnet中添加SENet模块,该模块的作用是加强卷积神经网络对通道的权重信息,提取更具有指向性的特征信息,更有利于获取肝硬化图像中的纹理信息,经实验表明,该方法提升了CNN的识别率,但同时发现该模块的加入增加了网络的参数。（2）针对上述实验发现的问题,本文采用了一种更轻量化的注意力模块ECA,ECA模块只增加了少量的参数,选择一维卷积核大小的方法加强跨信道信息交互,显著降低了模型的复杂度的同时保持了网络的性能。其次,该模块通过与Mobilenet V2结合,通过实验对比,该方法的识别率提升了4%,同时测试时间显著减少。（3）在上述两种方法的基础上,本文在模型上进行了进一步的改进,采用了一种空间通道挤压激励模型scSENet的肝硬化识别方法,该模型是SENet的变体形式,由s SE和c SE两部分组合而成,同时考虑了网络的空间和通道关系。首先,本文以MVGG（改进后的VGG16）为基础,再融合scSENet模块,不仅优化了网络的复杂性和运行效率,还进一步提升了肝硬化图像的识别效果,经实验表明,最好的模型识别率达到98.78%。采用注意力机制和深度学习算法结合的方法更有利于对肝脏病变区域的识别,有助于主治医师的研究判断,具有更高的临床价值。