基于深度学习的无线胶囊内镜消化道图像辅助诊断,在近年来取得了显著成果。诊断过程中往往需要针对特定的消化道器官进行筛选和分析,并且单个患者的消化道数据集是非常庞大的。因此训练一个有效的模型用于对消化道器官进行自动分类,将极大地减轻诊断的工作量和提升诊断效率。在实际应用中,有监督学习技术容易取得较高的精度,仍占据着主要地位。但有监督学习需要足够多的标注数据进行模型训练,而收集和标注足够的消化道图像代价昂贵。如何在保证模型性能的同时降低标注成本,这是一个亟需解决的问题。本文首先提出了一种基于Resnet50的消化道图像分类方法。该方法采用微调过的Resnet50模型和Image Net上的预训练权重,并在不冻结特征层的情况下进行模型训练。实验表明该方法相比其他分类方法取得了更好的性能。该方法使用了100%的训练集进行模型训练,并分别在验证集和测试集上取得了95.41%和91%的分类精度。其次对上述方法进行改进,提出了一种基于主动学习抽样策略改进的消化道图像分类方法。该方法使用Resnet50作为分类模型,并结合基于熵的抽样策略进行主动学习。在每轮主动学习的抽样过程中,计算得到分类模型对样本预测概率的熵值,并将其作为样本价值指标,抽取价值最高的一批样本进行标注和模型训练。实验表明该方法能够在使用更少标注数据的同时,使模型取得更好的泛化性能。该方法使用50%的训练集进行模型训练,并在验证集和测试集上分别取得了94.58%和92.28%的分类精度。最后,设计了一个消化道图像辅助分类系统。该系统以GUI页面的形式呈现,使用者可以方便的调用训练好的算法对消化道图像进行分类。系统可直接用于诊断过程,实现对患者消化道器官的自动分类,也可用于主动学习中的样本标注阶段,实现对抽取样本的预标注。