计算机技术在医学领域的应用是近几十年来的热门研究领域之一,而近年来深度学习的快速发展,使基于深度学习的医学图像处理研究也在这几年受到了国内外众多学者们的广泛关注,在医学图像识别、检测、分割、跟踪等诸多领域上,达到了其他非深度学习方法难以企及的高度,从而逐渐成为医学图像领域最热门的研究方向。然而,当前众多研究表明,基于深度学习的图像分类性能优劣很大程度上取决于神经网络的结构,因此,基于深度学习的医学图像分类技术,若想进一步发展,达到比现有深度学习方法更优秀的分类性能,就应该结合医学图像本身的特点和神经网络结构特点进行研究。然而,随着神经网络结构越来越复杂,通过人工设计改进神经网络结构的方式变得越来越困难。为了进一步提高医学图像分类性能,使计算机更准确地识别病症,本文通过研究自动设计神经网络技术,并结合医学图像的特点,设计一套适合医学图像分类的方法,这种方法通过算法在给定医学图像数据集上进行搜索,旨在找到一个适合这个数据集的最佳神经网络结构,这一过程由计算机自动完成,无需人工介入,相比于普通人工设计神经网络结构,它在这一类分类任务中的表现会更加出色。本文的主要研究内容包括两个方面:一是神经网络的结构搜索方法;二是如何将自动设计神经网络技术适配于医学图像分类,从而达到比传统深度学习方法更好的分类性能。首先本文研究了自动设计神经网络。本文研究了神经网络结构的设计方法,通过深入理解现有神经网络结构的特点,设计合理的神经网络结构构成方法。采用强化学习的算法思想,设计出兼具效率和准确性的神经网络结构搜索算法,用于筛选具有优秀分类性能的神经网络结构。同时借助生成对抗网络、参数共享、网络结构逐层堆叠等思想和算法,优化搜索效率,大大减少了计算时间。其次,本文利用先前自动设计神经网络的研究成果,结合医学图像的特点,设计出完整的基于自动设计神经网络技术的医学图像分类方法,通过实验验证了这种方法可以达到比传统方法更优秀的分类效果。此外,本文针对医学图像分类任务中存在的一些典型问题,例如数据量大、标签不明确、数据类别分布极端不平衡等,采用多种方法进行实验和分析,从而得到更好的针对措施。