如今,不规律的生活方式导致消化道疾病较为常见,而消化道出血是许多消化道疾病的初期症状,不容小觑。安全卫生、无痛无创的无线胶囊内窥镜作为消化道的新型检查方式,虽然给患者带来了方便,但其在工作期间拍摄的海量图片不但增大了医生的工作强度,而且视力疲劳等因素也可能导致人工诊断出现漏诊误诊的情况。因此,本文基于胶囊内窥镜检查图像,针对消化道出血病灶辅助诊断算法进行研究。本文利用深度学习技术,从两方面针对出血病灶辅助诊断展开了工作:首先,将出血病灶图片从海量的图片中精准分类出来;其次,针对分类出的病灶图片,对出血病灶区域进行有效分割。主要研究内容如下:第一,将深度学习骨干网络中前沿的ResNeSt模型应用于出血病灶的分类,同时使用标签平滑方法修改损失函数,提升分类效果。实验结果表明,该方法对于出血病灶图片的漏检率仅有1.33%,对比传统方法降低了 7.337%,对于正常图片的误检率也只有0.47%,在单GPU上的分类速度为275张/s,性能提升明显。第二,将医疗分割中经典的Unet模型用于对出血病灶区域的分割,验证了病灶自动分割的可行性。针对其较差的分割效果,本文从模型结构和分割头结构两大方面进行改进:首先针对Unet本身结构缺陷分析和样本数据特点分析,对模型结构进行了六点改进:1)实验选择适合出血分割任务的最佳上采样方式;2)对模型的输出特征进行多种新型的融合结构设计;3)使用ResNeSt网络替换Encoder中的传统CBR模块（Conv+BN+ReLu）,解决特征提取不充分的问题;4)使用迁移学习的方法缓解分割任务相对复杂而医疗数据相对较少的问题;5)基于可变形卷积对ResNeSt特征提取网络进行重构,解决出血病灶区域形状不规则问题;6)基于空洞卷积金字塔并联模块对Encoder部分所提取的特征进行重构,解决数据集中各出血病灶区域面积不一,尺度差异大的问题。其次,为减少杂余信息对特征图的影响,使分割性能进一步提升,对分割头结构进行了两点改进:1)引入自注意力机制（self-attention）,对模型所输出的特征图进行低秩重构,同时针对计算复杂过高问题引入期望最大化注意力（EMA）模块进行优化;2)在原有交叉熵损失函数的基础上,结合Dice损失函数,缓解数据集中存在的正负样本不均衡问题。最终,经过以上两大方面的改进,本文提出了 DAFFRS-Unet-EMA模型。实验结果表明,该模型Pixel Accuracy指标达到了 92.7%,IOU指标达到了84.92%;相较于原始的Unet模型,Pixel Accuracy指标提高了 13.97%,IOU指标提升了 13.96%;相较于目前综合实力强悍的DeepLabV3+,Pixel Accuracy指标提高了 2.08%,IOU指标提升了 3.32%;分割效果提升明显。