肝门静脉高压作为人体的一项重要指标,肝门静脉高压极易引起病人死亡,因此需要对病人进行肝门静脉高压检测,目前传统的肝门静脉检测方法为手术测量方法,该方法会对病人造成创伤,并且效率不高。为了提高病人的看病体验以及检测效率,本文对基于深度学习的肝门静脉高压检测开展了研究工作。基于深度学习的肝门静脉高压检测的难点在于:需要对医学原始数据进行筛选,以便满足模型训练要求,人工筛选会非常耗时且增大经济成本;肝门静脉高压检测方面,如何综合地分析CT图像以及如何提高特征质量是决定模型性能的关键。针对难点问题,本文的主要研究工作如下:（1）研究了基于半监督的数据清洗工作,本研究中的胸腔CT扫描内容复杂且干扰因素多,会使网络特征提取困难。为此基于肝门静脉的结构位置特点,设计并添加了具有针对性的注意力机制。使模型更加关注肝门静脉区域,减少其余区域干扰;其次对于正常样本不均衡问题,还使用Focal Loss更换原始的交叉熵损失（Cross Entropy Loss）,使模型给预测差的类别分配更大的训练权重。（2）针对肝门静脉高压表征较多情况,将拥有全局感受野的Vision Transformer（Vi T）网络应用到了肝门静脉高压的诊断当中,构建完成基于Vi T的肝门静脉高压检测方法,原始Vi T因为没有使用卷积操作来提取图像底层的纹理信息,所以对相似目标分类表现有待提升。本文针对该问题,损失函数除了使用原始的交叉熵损失,还加入了对比损失（Contrastive Loss）来增强网络对相似目标的识别能力,实验证明加入对比损失函数后识别结果有了明显提升。（3）医学图像通常包含着非常复杂的信息,仅靠单一特征很难全面地表达医学图像内容,本文设计了压力面积特征,将深度特征与压力面积特征融合,使融合后的特征拥有更加丰富的语义信息、优秀的稳定性和可解释性。经过大量实验证明,发现特征融合相比单一特征,使模型在识别准确率和收敛速度方面均得到提高,最后使用该方法构建了肝门静脉高压检测系统。