最近，深度學習在醫學圖像任務中取得了令人矚目的成果。然而，這種方法通常需要大規模的標注數據，而醫學圖像的標注成本較高，因此如何從有限的標注數據中進行高效學習是一個難題。目前，常用的兩種方法是遷移學習和自監督學習，然而這兩種方法在多模態醫學圖像中的研究卻很少，因此本研究提出了一種多模態醫學圖像對比學習方法。該方法將同一患者不同模態的圖像作為正樣本，有效增加訓練過程中的正樣本數量，有助于模型充分學習病灶在不同模態圖像上的相似性和差異性，從而提高模型對醫學圖像的理解能力和診斷準確率。常用的數據增強方法并不適合多模態圖像，因此本文提出了一種域自適應反標準化方法，借助目標域的統計信息對源域圖像進行轉換。本研究以兩個不同的多模態醫學圖像分類任務對本文方法展開驗證：在微血管浸潤識別任務中，本文方法獲得了（74.79 ± 0.74）%的準確率和（78.37 ± 1.94）%的F1分數，相比其它較為熟知的學習方法有所提升；對于腦腫瘤病理分級任務，本文方法也取得了明顯的改進。結果表明，本文方法在多模態醫學圖像數據上取得了良好的結果，可為多模態醫學圖像的預訓練提供一種參考方案。