目的　舌苔和舌质分类对于后续的舌象客观化诊断具有重要的作用，高光谱图像包含大量的数据信息，能够有助于分类效果提升。但是高光谱图像信息量巨大，且传统的方法提取特征不够充分，如何有效提取数据信息并促进舌诊客观化仍是个值得深究的问题。因此，本文提出面向高光谱舌图像的深度学习算法，利用深层网络来提取高光谱图像的数据信息，从而提升舌苔和舌质的分类效果。方法　使用高光谱相机对图像进行采集，对采集的图像构造谱图进行预处理从而简化输入数据的冗余性；为了提取高光谱舌图像的数据信息，在算法上设计了一种可以获取底层特征的残差网络结构，加入了跳跃连接并在每个卷积层前加入批量归一化(batch　normallization,　BN)和带参数的ReLU(parametric　rectified　linear　unit,　PReLU)激活函数来提前激活网络，因此可以提取深层的光谱空间特征以提升分类精度。结果　在高光谱舌图像数据集上的实验表明，本文算法分类精度达到93.9%,优于传统的基于RGB图像分类方法和CNN(convolutional　neural　network)与VGG(visual　geometry　group)网络。分类结果图显示，除了舌苔和舌质交界处光谱曲线相差不大的地方会有误分类的现象，分类结果与标签图基本一致。结论　该深度学习算法可以较好地完成舌苔和舌质分类任务，为后续舌象特征信息的计算机自动分析提供良好基础。