食管癌是发生在食管黏膜上皮的最常见的恶性肿瘤之一，每年约有500,000例死亡，研究证实及早发现病灶可有效降低死亡率。内窥镜检查是早期发现食管癌的通用方法，然而随着其成像率的增加，医生阅片负担明显加重，且医生诊断具有一定的主观性。因此，借助计算机进行早期食管癌的自动识别和精确定位对提高诊断率，减少漏诊误诊意义重大。目前计算机辅助诊断食管早癌的研究主要集中在白光内镜图像上，由于食管癌的黏膜形态变化微小，容易被忽视，因此常规的白光内镜容易漏诊和误诊。本文主要针对食管癌内窥镜检查过程中的三个核心步骤提供计算机辅助诊断：NBI图像、IPCL图像以及碘染色图像，以期辅助医生提高食管癌的诊断准确率。　　本文主要针对食管癌临床诊断过程中的关键步骤和语义分割技术展开研究，以提高计算机辅助诊断的准确率和效率为目标。本论文的主要研究工作和贡献如下：　　1.提出了一种新的用于计算机辅助诊断食管早癌的M-DeepLab网络。该方法结合了现有语义分割网络的所有特点，包括编码器、解码器、特征融合和像素分类四部分。其中编码器对输入的图像进行编码，提取特征；解码器对提取的特征进行解码，还原图像语义信息。特征融合通过添加空洞空间金字塔池化模块来提取不同尺度的特征进行融合，最后完成图像像素级的分类。　　2.将本文提出的M-DeepLab网络应用在食管癌内窥镜检查过程中的三个核心步骤中，即应用在NBI图像，放大内镜模式下的IPCL图像，以及最后用于二次确诊的碘染色图像。在此基础上，我们构建了三个用于网络模型训练的数据集，分别为NBI数据集、NBI-ME数据集和碘染色图像数据集。由于网络训练需要大量的数据和医学图像小数据集的特点，本文针对食管癌图像的特征提出了旋转、翻转和缩放的数据扩增策略。　　3.该方法在三个数据集中分别进行了测试，实验结果显示：在NBI图像的二分类任务中，全局像素准确率达到97.15%，平均交并比MIoU达到91.05%。在IPCL图像的五分类任务中，全局像素准确率达到94.80%，MIoU达到89.90%。另外，对于二分类的碘染色图像，全局像素准确率高达97.31%，MIoU高达92.09%，并且判断一幅碘染色图像仅需0.05秒。因此，M-DeepLab网络模型在准确度和速度方面均表现出色，对食管早癌及癌前病变的诊断，可与经验丰富的内镜医师相媲美。作为临床医生的辅助诊断手段，能够有效的提高早期食管癌的诊断准确率，减少误诊漏诊。