新型冠状肺炎给世界经济社会带来巨大的影响。医疗资源的分布不均以及医护人员短缺给医疗系统带来了巨大的压力。随着计算机技术的发展,应用人工智能技术进行计算机辅助诊断能够减轻医护人员压力,提高疾病的诊治效率,是一个重要发展方向。计算机硬件的发展以及计算能力的大幅提升使得应用深度学习技术进行计算机辅助诊断成为可能。计算机技术和医学的交叉融合给计算机辅助诊断领域的研究及临床实践提供了新的机遇。近年来,众多学者对深度学习技术进行深入的研究,并将其应用于医学图像分析领域,取得了重大进展。相比于传统的手工特征提取方法,深度学习能够在不需要人工干预情况下通过大量的数据进行自主学习。在医学图像分类系统中,深度学习网络提取出的医学图像细微结构特征将直接影响模型的性能。虽然深度学习在医学图像分类中已经取得了不错的成就,然而在医学图像处理领域仍然存在一些亟需解决的难题。本文重点解决以下两个问题:一是深度学习网络处理高维医学图像数据需要计算大量的参数,网络训练时间长同时可能导致“维数灾难”的发生。二是原始的医学图像通常缺少精确的标签,医学图像标记需要专业人员耗费大量时间和精力。在少量带标签医学图像样本情况下,如何使用有限的图像数据高效地对深度学习模型进行训练优化以获得满意的效果也是当前面临的难题之一。本文在充分吸收和借鉴前人研究成果的基础上,针对问题一应用混阶栈式自编码器对医学图像进行无监督降维,解决无标签高维医学图像降维问题。通过研究深度学习自编码网络,利用自编码网络对医学图像进行无监督方式降维,融合降维后图像的特征构造混阶特征矩阵,并用混阶特征矩阵进行医学图像分类,提出了基于混阶栈式自编码器降维的医学图像分类算法。实验结果表明,所提算法与六个对比算法相比能够更好地对医学图像进行降维,同时获得了更高的分类准确率和较短的分类时间。针对问题二采用特征可视化及图像特征相似度度量方法对深度模型高效迁移、训练和优化,有效减少网络超参数调整,降低网络训练对标签图像的依赖。使用优化后网络对CT图像提取特征,并用K近邻算法、支持向量机和随机森林进行分类评价。在公开CT图像数据集上与六个对比算法进行实验验证。实验结果表明,所提算法模型最小、分类时间最少,具有较好的鲁棒性。