基于深度学习的中医舌色分类模型具备良好的性能，但是依赖于大量正确标注的样本．由于人工标注样本费时费力，不可避免地会存在错误标注，导致模型在训练过程中对噪声样本过拟合，使其泛化能力变差．为此，该文提出了一种基于噪声样本渐近修正的中医舌色分类方法．首先，根据舌色分类的特点，提出了一种全局-局部特征融合方法，将其嵌入到　ResNet18骨干网络中，构建了舌色分类网络，并采用集成学习范式，提高分类模型的可靠性和稳定性；其次，针对噪声样本下的舌色分类网络训练问题，提出了样本注意力机制和噪声样本标签重新标注机制，在训练过程中对干净样本和噪声样本加以区分，赋予不同的权重，并逐步对噪声样本标签进行修正；最后，采用　Boostrapping损失函数降低模型对噪声样本的关注度，抑制噪声样本对分类性能的影响．我们将提出的方法在两个自建的舌色分类数据集上进行了实验验证，结果表明，该方法通过渐进地对噪声标签进行校正，可以获得比现有的有噪样本下图像分类方法更高的分类精度，Acc指标分别达到了94.6%和93.65%．