中医讲究“望、闻、问、切”,而舌诊作为中医望诊中一个重要组成部分,在中医临床诊断中起着关键性的作用。舌诊是指医生通过观察患者的舌质和舌苔形态的变化以判断诊查病症的方法。舌象指的是舌的表象,传统中医认为舌象与人体的健康状态有着紧密的关联。随着计算机技术的不断发展,人们开始探索客观化和标准化的舌诊过程。然而,传统中医诊断经常受到医生的经验和主观性所制约,难以达到诊断的定量化和客观化。因此,人们尝试通过计算机技术来解决中医舌诊的客观化和标准化问题。从计算机的角度来看舌象特征就是舌体图像的特征信息,一般可以观察到的舌象有舌色、舌苔、裂纹、点刺、瘀点等种类。传统的舌象分类方法大多需要花费大量成本来提取手动特征,并且无法达到较高的准确度。近年来,随着深度学习概念的提出,一直成为研究者们的研究热点。其在各个领域都得到成功的应用。深度学习与医学图像分类的结合也为中医舌诊现代化提出了一个重要的解决途径。但是,深度学习的训练往往需要大量的训练样本,而像舌象图像这样的医学图像因其样本获取的特殊性往往存在样本稀缺的问题,这对于深度学习的模型训练有着不小的阻碍。于是本文提出通过迁移学习的方法来解决样本量不足的问题,迁移学习是指在预训练好的网络模型上通过新的样本对网络进行参数训练,从而在新的任务上获得较高的准确度,这样做可以弥补因样本量不足而导致的模型无法有效收敛的问题,并且通过迁移学习节省了重新在一个新的神经网络上进行训练的计算成本,大大提升了训练的速度。本文以三种不同的舌象特征为例,通过在不同深度的神经网络上进行迁移学习,来研究基于深度迁移学习的舌象特征分类效果,并分析网络深度对分类结果的影响。本文的主要工作如下:1.通过与上海中医药大学合作,共采集到舌象数据2245例并进行整理,由中医专家对数据进行标定,构建了三种不同特征标签的舌象数据集。2.舌象图片预处理。通过级联分类器对原始舌象数据进行舌体区域目标定位,并将处理后的图像数据作为深度网络的输入。3.基于三种不同的神经网络结构(Res Net、Goog Le Net和VGGNet),对三种不同的舌象特征进行分类训练,构建舌象特征分类模型。通过测试模型准确度来对比不同网络结构和不同网络深度对舌象特征分类的影响。