食管静脉曲张（Esophagus Varices,EV）指的是连接咽喉和胃的管道中存在着的异常增大的静脉,其经常发生在肝硬化患者的身上。在临床上,一般通过使用内窥镜的方法来检查低风险和高风险食管静脉曲张患者的严重程度,食管静脉曲张患者需要定期进行内窥镜检查以控制疾病,但有些患者并不能承受有创的内窥镜检查。所以,有效的无创计算机辅助诊断是必要的,这可以减少患者的痛苦。在计算机辅助诊断中,放射组学特征和深度学习特征包含着相互互补的分类信息,这两类特征的融合可以提高食管静脉曲张分类预测的性能。因此本文结合迁移学习和放射组学方法,并将多种机器学习分类方法应用于食管静脉曲张风险的分类预测中,实现了多层次特征的充分利用,最终在无创计算机辅助诊断方面提高了分类性能。本文共包含245名患者,包括山东大学齐鲁医院的182名肝硬化患者（86名轻度或没有EV患者,96名严重EV患者）和济南市中心医院的63名肝硬化患者（29名轻度或没有EV患者,34名严重EV患者）。本文主要的研究工作如下:一、提出了基于迁移学习的食管静脉曲张的风险预测方法。本文以基于迁移学习的分类预测方法提出了两个模型:一是将训练好的卷积神经网络迁移到本文食管静脉曲张的风险预测的分类任务中,利用网络的softmax层对高风险的食管静脉曲张患者及低风险的食管静脉曲张患者进行分类。二是将网络softmax层的前一层的平均池化层的特征输出作为提取的特征,然后利用极端梯度提升、随机森林以及支持向量机等传统机器学习方法进行预测。实验结果表明,与利用迁移学习直接进行分类的方法相比,基于迁移学习的特征提取的方法具有较好的分类和预测效果。同时,利用多器官的融合特征及食管部位特征进行预测的效果最好,其次是脾脏,肝脏最差。二、提出了融合迁移学习和放射组学方法并提取多层次和多器官（食管、脾脏和肝脏）特征的食管静脉曲张的风险预测方法。首先,利用迁移学习进行高层次的深度学习特征提取。其次,利用放射组学方法提取低层次的放射组学特征。最后,特征选择算法通过为每个器官选择最具预测性的深度学习特征和放射组学特征后,再进行各器官的多层次特征融合,并结合多种机器学习方法进行特征选择及建立分类预测模型。在独立的训练集和测试集上的实验结果表明,用自然图像预训练的深度学习网络模型可以成功迁移到医学图像上。多器官特征融合方法的预测性能明显高于脾脏、肝脏部位,且与食管部位的诊断性能不相上下。与目前已有的食管静脉曲张风险预测模型相比,本文提出的基于迁移学习和放射组学的框架取得了更好的性能。总之,食管静脉曲张的风险预测模型中所包含的迁移学习方法,不仅弥补了医学图像处理领域数据集中数据少的缺陷,同时也增加了图像特征包含的信息,获得了更好的分类预测效果。