卷积神经网络对图像分类问题的处理往往优于其他同类型算法,其中的卷积层和子采样层具有能够提取样本特征的功能,而共享权值的特点又极大减少了网络需要训练的参数。科技不断进步的今天,医疗技术也得到了飞快的发展,从中产生的各种病症检查图片更是数不胜数。医师急需摆脱各种繁重的医学图像筛查工作,且如何从无数的病例图中找出某种疾病的相似特征等;如此种种困难不断激励着研究人员,医学图像的研究也渐渐的成为了热点。本文对卷积神经网络应用于两类医学图像展开了研究,其中一类为能反映身体疾病的眼球血丝图,另一类为含有各种级数的脑胶质瘤核磁共振成像图。全文工作如下:(1)首先介绍了卷积神经网络的发展历程,包括国外与国内对其研究的成果,并且详细的说明了卷积神经网络的结构,算法以及推导,完整的阐述了复杂的图像分类问题中应用卷积神经网络的优越性。(2)在经典LeNet-5卷积神经网络结构上实施改进,设计了具有不同卷积核,不同子采样方式与不同分类器的网络结构,并把此结构用于解决识别眼球血丝病症问题。同时在实验环节对输入层样本尺寸,网络的迭代次数进行了探究,对比了改进结构与LeNet-5在使用同一样本数据集情况下的区别,实验表明改进结构能很好的分类眼球血丝所反映的病症。(3)根据脑胶质瘤多层图片的特点,并基于眼球血丝网络模型,设计出多列卷积神经网络结构:每一层的脑胶质瘤样本作为每一列的输入,同时增加了卷积和子采样层的层数,并使用Maxout激活函数替代了传统神经网络中经常使用的Sigmoid函数。实验部分取多列结构与单列结构,人工提取特征方式实施了对比,结果凸显了多列结构在胶质瘤分级上的优势;此外还对样本进行优化处理,进一步提高了分级准确度。最后本文对多列卷积神经网络计算进行了可视化处理,从视觉方面解释了每层的工作过程。