چکیده: کپسول آندوسکوپی یک روش غیرتهاجمی برای تصویربرداری ویدیویی از دستگاه گوارش است و به پزشکان در بررسی و تشخیص بیماری در ناحیه دستگاه گوارش کمک می کند. این تکنولوژی جدید دارای مزایای فراوانی نسبت به روش متداول آندوسکوپی است. از مهم‌ترین مزیت آن می‌توان به تصویربرداری از نقاط غیرقابل دسترس مانند روده کوچک در مقایسه متداول آندوسکوپی اشاره نمود. بررسی فریم های اخذ شده یک فرآیند خسته-کننده و زمان بر برای پزشکان است. برای تسهیل این فرآیند سیستمی مورد نیاز است که به تشخیص فریم های غیرنرمال بپردازد تا پزشک با بررسی دقیق آن ها بیماری را تشخیص دهد. تشخیص فریم های غیرنرمال یک کار چالش برانگیز است. در مسیر دستگاه گوارش اختلالات مختلفی وجود دارد. هریک از این اختلالات با ویژگی های متفاوتی از جمله رنگ، بافت و ساختار هندسی قابل بررسی هستند. بنابراین تشخیص وجود اختلالات مختلف نیازمند استخراج ویژگی های متفاوت می باشد. همچنین از جمله چالش های دیگر در شناسایی ناهنجاری ها، وجود خرابی های مختلف مانند نویز، روشنایی کم و تاری برخی از فریم‌ها در دستگاه گوارش است. در پژوهش حاضر روشی ترکیبی از روش یادگیری عمیق و یادگیری سنتی به منظور تشخیص فریم‌های حاوی اختلالات رایج ارائه شده است. اختلالات در نظر گرفته شده شامل خونریزی، زخم، پولیپ، آنژیودیسپلازی و لنفویید هایپرپلازی می‌باشد. بدین منظور تعدادی ویژگی از یک شبکه‌ی عمیق از پیش آموزش داده شده استخراج می‌شود. همچنین برای استخراج ویژگی‌های دستی، ابتد با استفاده از یک ایده‌ی جدید نواحی متمایز از نظر بافت و رنگ به عنوان نواحی محتمل حاوی اختلال از تصاویر استخراج می گردند. سپس از این نواحی ویژگی های متناسب با رنگ، بافت و شکل استخراج می شود. در استخراج ویژگی‌های رنگ، از یک ایده‌ی جدید برای آشکارسازی تغییرات رنگ ناگهانی نسبت به پیش‌زمینه که نشان‌دهنده‌ی اختلال است، استفاده شده است. در نهایت ویژگی های استخراج شده ی عمیق و دستی به عنوان ورودی دسته‌ بند در نظر گرفته می شود تا تصاویر به دسته‌‌های مذکور دسته‌بندی شوند. نتایج حاصل از این پژوهش بر روی پنج پایگاه‌ داده‌ نشان می‌دهد که روش پیشنهادی با دقت بسیار بالایی این اختلالات را تشخیص می‌دهد و نسبت به تحقیقات پیشین، از عملکرد بالاتری برخوردار است.