随着计算机硬件和软件水平的不断发展,许多新的深度学习计算平台不断涌现,使得深度学习广泛的应用于生活的各方面,尤其是图像识别分类领域。深度学习网络的多层结构能够有效的表达复杂函数,从而使其能够学习到具有较强表征能力的图像特征,提高图像识别的准确性。在医学领域,计算机辅助诊断系统与人工智能相结合的研究日益受到研究者们的关注,本文以基于增强核磁共振图像实现对肝细胞癌的病理分级研究为出发,将卷积神经网络应用到肝细胞癌的自动分级中。肝细胞癌的病理分级对肝癌的临床诊断、治疗和预后有着极其重要的意义,然而基于医学影像评估肝细胞癌的分级对于放射科医生来说是一项较难的挑战,因此实现肝细胞癌的客观自动分级具有重要的临床意义。本文中叙述了深度学习的发展过程以及成熟的深度学习技术,深入研究了卷积神经网络在图像分类问题上的优势;其次,本文在将卷积神经网络应用于增强MR图像上的肝细胞癌分级实验中,实验的数据集是从两个不同的医院临床中心获取的,实验过程中对数据进行预处理,对样本进行扩充,实现对卷积神经网络的训练和测试;最后,本文在 DenseNet(densely connected convolutional network)和 SENet(squeeze-and-excitation networks)的基础上提出了新的深度学习框架:SE-DenseNet,将SENet作为网络的一层加入到DenseNet中,定量的实验结果表明SE-DenseNet框架的分类性能优于DenseNet,利用SENet对特征进行权重自学习,从而达到对分类任务重要的特征进行增强以及对分类任务无用的特征进行削弱的目的,在一定程度上,SE-DenseNet缓解了 DenseNet的特征冗余性,提高了模型的分类性能。