胃肿瘤细胞作为典型的医学图像,是一种小样本数据集,并且胃肿瘤细胞图像复杂、信息冗余,若直接将原始小样本数据带入深度学习进行训练,会出现过拟合、梯度消失等问题。生成对抗网络的出现为解决小样本问题提供了重要的研究方向,即数据增强,通过扩充数据集来解决小样本问题;元学习本身也是用来解决小样本问题,所以研究这两种方法能更好地实现胃肿瘤细胞图像的分类识别。本文的研究内容主要有以下几点:首先,原始的生成对抗网络在训练时存在训练难、梯度消失、多样性差等问题,为此提出改进的DCGAN算法对小样本数据进行增强。针对DCGAN中的梯度消失、模式崩溃问题,采用Wasserstein距离代替原模型中损失函数;对于模型中的卷积网络有参数振荡问题,提出在每层卷积网络中加入谱归一化;DCGAN的噪声输入维度会影响生成样本多样性,为此采用极大似然估计算法估算数据的最佳噪声输入。实验结果表明,使用上述改进方法,DCGAN生成样本的多样性得到了明显提高,参数振荡、梯度消失、模式崩塌等问题也有了改善。其次,通过研究和分析元学习算法,本文采用原型网络和模型无关网络两种算法进行实验,以解决小样本问题。公共数据集的实验表明,基于模型无关的元学习算法在解决小样本问题时,其分类识别效果更加突出,但是其分类效果的好坏不仅取决于样本的多少,与样本的复杂程度、数据量的多少也有直接关系,因此还需进一步在胃肿瘤细胞图像上进行实验。最后,将改进后的DCGAN和元学习算法分别应用于胃肿瘤细胞图像分类识别。通过改进DCGAN对胃肿瘤细胞图像进行增强,再进行分类识别实验,实验结果表明对胃肿瘤细胞图像增强后,其分类识别效果有明显的提高;将元学习算法应用于胃肿细胞图像,其结果表明与模型无关的元学习算法表现最佳,但是由于样本不足,识别效果欠佳;最后将DCGAN和元学习相结合,对胃肿瘤细胞图像进行分类识别,即先通过DCGAN对胃肿瘤细胞图像进行增强,再通过元学习算法进行分类识别,结果很大程度地提高了分类识别的准确率,最高为88.40%,比单一使用DCGAN提高了7个百分点,比单独使用元学习提高了16个百分点,因此,将改进DCGAN和元学习相结合的方法能很好地实现胃肿瘤细胞图像的识别。