医学图像分类在临床影像诊断中起着重要作用。深度学习技术,尤其是卷积神经网络（CNN）在分类和视觉目标识别方面已被证明具有潜力。尽管如此,在医学图像分类领域深度学习技术存在两方面的缺陷:（1）没有足够的可供训练的标签数据,（2）训练数据集和测试数据集存在域失配问题。论文通过三种新方法来应对这些挑战。主要工作如下:1、研究提出基于Fire Net的卷积神经网络模型的医学影像疾病分类方法,实现了对肝细胞癌、转移瘤、血管瘤和健康组织四种类型的自动分类。首先,该方法通过引入SqueezeNet中的Fire模块,减少参数数目和模型尺寸,提高了分类的速度,在每个级联的基础上增加一个1x1的卷积层,以保持分类所用的不同层的特征信息。其次,该方法在Fire模块周围增加旁路连接,学习输入输出之间的残差函数,解决了消失梯度问题。提出的模型含有少量的参数,在小数据集上的训练具有可行性。最后,为了进一步提高Fire Net模型的性能,提出了一种新的粒子群优化算法（NPSO）来优化网络参数。通过与其他方法的分析和比较,验证了提出的基于NPSO（Fire Net-NPSO）的Fire Net模型进行医学影像疾病分类比其他方法更准确,分类精度达到89.2%。2、对第一种方法进行了扩展,结合了两个新的神经网络实现了对肝细胞癌、转移瘤、血管瘤和健康组织四种类型的医学影像疾病分类。第一个模型命名为Fire Net,在此模型中,Fire Net引入了Fire模块,减少模型大小和参数数量,便于快速分类,此模块主要用于提取特征信息。第二个模型命名为“Modified Long Short-Term Memory（MLstm）”,在此模型中,Fire Net提取的特征用于时间信息和新损失函数G-loss的预测。通过遗忘门添加新的偏差,同时添加了双曲正切和激活函数来改进Fire Net-MLstm模型。提出的Fire Net-MLstm模型进行医学影像疾病分类的最终分类精度达到91.2%,比其他方法更具优越性。3、提出了一种新的Distant Domain迁移学习方法（DDTL）,称为特征融合、分解和迁移（FFDT）,实现了COVID-19、普通肺炎和正常肺三种类型的X射线医学图像自动分类。FFDT方法包括三个部分:（1）FFDT受益于将从远域中提取的远特征融合到一个公共特征空间中,在该特征空间中分布不匹配最小化。（2）采用Fire Net方法提取特征,通过类重构来揭示数据分布的局部结构。（3）知识变换后,通过增加全连接层为目标任务建立目标分类器。通过实验验证了所提出的FFDT方法在目标域（COVID-19 X射线图像）和源域（Caltech-256）上的表现。结果表明,提出的FFDT方法比其他方法更有优势,医学影像疾病分类精度达到94.5%。综上,提出的基于新粒子群优化算法的Fire Net模型（Fire Net-NPSO）、改进的长短期记忆网络（Modified Long Short-Term Memory,MLstm）和一种新的Distant Domain迁移学习（DDTL）方法,对医学图像疾病分类具有较好的效果,达到预期研究目标。