随着图像处理技术的发展,舌诊客观化成为当今人工智能医工交叉领域的热点内容。为使中医舌诊更加客观定量化,图像处理技术与深度学习已应用于舌诊客观化。因此,基于深度学习的舌诊图像处理方法成为了必然的研究方向。目前,舌诊图像分割分类技术面临着复杂环境下的分割结果不佳,分类标记数据样本不足以及类别不平衡的问题。针对以上舌诊图像分割分类任务中面临的难点问题,本文以深度学习框架为基础,结合编解码网络、注意力机制和迁移学习技术展开研究。本文相关的主要研究内容概括如下:（1）针对编解码分割网络的边缘特征的学习能力有限导致分割结果的边界不明确的问题,本文借鉴注意力机制,并融合边缘信息,设计了一个新颖的多层边缘注意力网络（Multilayer Edge Attention Network,MEA-Net）。首先,通过设计一个适合于舌诊图像分割的特征编码器和特征解码器代替传统的卷积池化操作,有效地提取更多的舌诊图像的显著特征信息,并且融合来自不同编解码路径的特征图以缩小其差异性。其次,通过构建边缘特征提取模块,用以获取充足的边缘特征图并在早期编码阶段保留局部边缘特征。最后引入多层注意力引导模块,进一步过滤边缘信息,并选择具有鉴别力的有效特征。（2）MEA-Net在三个舌诊图像数据集上进行了分割性能评估,包括公开舌体图像、封闭环境下采集的舌诊图像以及开放环境下采集的舌诊图像。利用四个定量评估指标（即准确度、灵敏度、Dice系数和接受者操作特征曲线下的面积）分析分割性能。最后,为了进一步评估MEA-Net的有效性,对边缘模块进行了消融研究。实验结果表明,与多种具有代表性的编解码网络相比,MEA-Net均高于其他方法,其中开放环境下采集的舌诊图像的Dice系数高达0.9849,相较于经典U-Net提高了0.0679。（3）针对舌象特征分类任务中训练样本不足和类别不平衡的问题,本课题利用迁移学习的自适应网络对舌象图像进行分类识别。本文提出了一种新的对抗权重子域自适应网络（Adversarial-weighted Subdomain Adaption Network,AWSAN）以达到在调整全局数据分布的同时,更加关注局部数据的分布;引入了一个辅助判别器来获得源域样本的类别权重,使得网络可以避免由源域中独特的类别引起的负转移;此外,利用局部最大平均差异来捕捉细粒度的可转移信息并获得样本权重;最后,不同域的特定层激活的相关分布被排列起来获得舌象分类结果。实验结果表明经过MEA-Net所获得的的舌象图片作为模型输入,AWSAN的平均精确度达到0.8429。此外还利用从原图直接裁剪的舌象图片进行对比实验,其平均精确度可达到0.8705。