当前咽喉反流疾病的筛查主要依靠电子喉镜图像通过反流体征评分（RFS）量表进行评分，尽管这种量化评估方式增强了筛查诊断的客观性，但误诊率、筛查效率仍有待进一步改进。通过深度学习算法实现基于RFS的咽喉反流量化辅助评估。首先，提出一种基于类平衡损失的咽喉反流语义分割与诊断（CBD-FCN）算法，通过RFS量表先验知识对电子喉镜图像进行喉部多区域语义分割，该算法有效解决了数据集样本类别不平衡和小目标检测的问题，平均交并比（IoU）提高6.38个百分点，声带沟、肉芽肿和黏液等小目标检出率分别提升4个百分点、18个百分点和75个百分点。其次，针对RFS量表中难量化评估的主观项，通过SE-ResNet和目标区域分割特征进行量化并实现评分。上述辅助评分结果可以有效快速地实现咽喉反流的筛查诊断，实验结果表明，所提方法的诊断正确率达到94.40%。该研究不仅提供了一种创新的计算机辅助咽喉反流量化评估方法，同时也为基于RFS量表的咽喉反流评估提供了诊断参考，有助于咽喉反流相关疾病的研究。