肝硬化是一种不可逆的慢性疾病,对肝硬化疾病的诊断研究具有重要的临床意义。临床医师肉眼诊断肝脏超声影像的方法,主观性较强不利于病变的诊断识别;而采用机器学习或深度学习方法的计算机辅助诊断技术,为肝脏病变的研究提供了有效的智能技术支持。机器学习的人工提取方法,特征表示能力较弱,因此,本文首先将HOG与等价LBP特征并联融合,经LS＿SVM分类器识别,取得了优于其他单特征识别的分类效果,但与深度学习方法相比,仍存在识别率偏低、特征表示能力弱等问题。针对上述问题,本文采用深度学习理论,提出了两种肝硬化识别方法,用以增强肝硬化特征的表示能力,提高肝硬化疾病的识别率。本文主要工作如下:(1)提出了一种利用Inception v1结构与VGGNet结合的肝硬化识别方法。首先,优化VGGNet网络参数,用以适应样本尺度;其次,采用Inception v1结构替换VGGNet网络的相关卷积层组,替换后的VGGNet网络,通过Inception v1结构的多个不同尺度卷积,既可以提取到更为完善的肝硬化纹理特征信息,也可以高效率的扩充VGGNet网络的深度和宽度;此外,网络利用Inception v1结构的1?1卷积,大大减少了网络的参数量,提升了网络的性能。经实验表明,与Inception v1结合的VGGNet,最高识别率可达99.2%。(2)本文提出了一种基于空间变换网络和异构卷积滤波器的肝硬化识别方法(即SH＿ImAlexNet方法)。首先,本文以ImAlexNet(改进后的AlexNet)为基础,通过融合空间变换网络(STN),提高网络的空间不变性,来增强肝硬化特征的提取能力,提高网络的分类识别率;其次,在上述基础上通过融合异构卷积滤波器,不仅优化了网络模型的复杂度,还进一步提升了网络的识别率和运行效率。经实验表明,本文方法在确保肝硬化识别率的同时,能够从一定程度上起到提升模型有效性的作用。同传统的机器学习方法相比,本文提出的深度学习方法更适合于肝硬化特征的诊断识别,有助于减少医师的主观性差异误判,对肝硬化的识别研究更具有实际意义。