深度学习在近年来得到了快速的发展,优秀的算法更是层出不穷,在医学图像分类上已经具备很高的识别率,但是在处理多尺寸的医学图像数据集时,现有算法的识别效果还不是很好,不能满足当代智能医疗系统应用的需求。其主要原因是,深度学习算法在处理多尺寸的医学图像时,会先通过双线性插值的方法对图片进行预处理,而这会导致图片信息的丢失,进而影响分类的效果。为了提高深度学习算法在多尺寸医学图像分类上的准确性与适应性,本文通过学习深度学习的相关最新技术,研究分析其特性并融合改进,提出了一种自适应尺寸深度学习模型,主要做了以下几个方面的工作:（1）研究了目前流行的深度学习算法的相关基础知识、深度学习算法不同版本的性能及优缺点、深度学习算法与医学图像处理相结合的国内外研究情况。（2）针对多尺寸医学图像数据集的特点,结合逆池化过程,提出最优尺寸集模块;并以最优尺寸集模块为基础,分析深度学习模型的网络结构,针对现有的深度学习网络结构提出自适应深度学习模型模块;用于调整多尺寸医学图像数据集输入大小的尺寸微调模块;最后是将传统深度学习模型与尺寸微调模块融合,得到自适应尺寸深度学习模型解决方案。（3）通过实验验证本文提出的解决方案的有效性及鲁棒性,包括比较自适应尺寸深度学习模型与传统模型的分类准确率、验证本文提出的解决方案在线性深度学习模型及非线性深度学习模型上的效果、验证新模型与迁移学习结合的效果。该模型在肺炎CT医学图像数据集上进行了验证。通过实验分析可知,该模型具有较强的鲁棒性,与传统算法相比,分类效果均提高了约4%。