医学影像需要医生以人类视觉效果分辨出图形中的病灶关系和疾病严重程度,图像的判别与分割等直接影响医生诊断结果。但随着新型疾病和新医学影像大量涌现,图像复杂程度越来越高,往往导致医生无法直接以肉眼判断,而必须借助机器学习等计算机人工智能技术进行辅助。因此,临床影像诊断领域不断需要更加新颖实用的机器学习算法。本论文应用深度学习中的较新算法,对心、脑以及肺部医学图像进行识别与分割。其中内容包括颅内出血CT图像、COVID-19胸片X射线图像的识别以及心脏左心室短轴位MRI图像的分割。研究主要目的是为医院临床诊断上述疾病提供参考,并部分拓宽人工智能辅助诊疗在医学影像领域的发展。本论文主要有三部分工作:（1）选取Res Net18、Dense Net121模型,分别收集颅内出血五种亚型（EDH、IVH、CPH、SAH、SDH）2254张图像与正常CT图像514张。将数据集按照80%、10%、10%随机抽取,划分训练集、验证集、测试集,应用迁移学习进行颅内出血五种亚型与正常CT图像的识别;（2）分别收集COVID-19、肺炎与正常胸片图像282、336、371张。随机提取60%、10%、30%分别作为训练集、验证集和测试集。应用AMRes Net模型对COVID-19、肺炎与正常胸片的图像进行识别。拟采用准确率、敏感性、特异性、ROC曲线和AUC值评估模型的表现。对AMRes Net模型解释性与可信度的评估采用类激活图（CAM）;（3）收集200张心脏左心室短轴位MRI图像,应用本研究改进的分割网络进行心房与心室的心腔区域的分割。随机提取5张图像作为测试集,采用交并比（IOU）评估分割效果。三个工作均取得一定成果:在颅内出血五种亚型与正常CT图像识别中,Res Net18模型与Dense Net121模型在测试集中的总体准确率分别为89.64%、82.5%。Res Net18模型识别EDH、IVH、CPH、SAH、SDH与正常CT图像的敏感性分别为98%、85%、80%、81%、93%、100%;特异性分别为88%、91%、91%、91%、89%、87%。Dense Net121模型识别EDH、IVH、CPH、SAH、SDH与正常CT图像的敏感性分别为86%、73%、76%、81%、85%、98%;特异性分别为81%、85%、84%、83%、82%、79%。在COVID-19、肺炎与正常胸片图像识别中,AMRes Net模型在测试集中的总体准确率为94.9%;敏感性分别为94%、90.5%、92.2%;特异性分别为91.3%、93.1%、92.1%。在分割心房与心室的心腔区域中,5张测试图像的交并比分别为0.8148、0.8770、0.9077、0.8952、0.8570。因此,本文所述的深度学习方法可以对部分心脑肺医学图像进行准确的识别与分割。Res Net18、Dense Net121与AMRes Net模型在颅内出血CT图像与COVID-19胸片图像中具有较高敏感性与特异性,为临床诊断上述疾病提供较高参考价值。改进后的分割网络在心脏左心室短轴位MRI图像数据集中也实现了很好的分割效果。