Debido a la complejidad e ilegibilidad de las imágenes médicas, esto trae inconvenientes y dificultades al diagnóstico del personal médico. Para abordar estos problemas, en este artículo se propone un algoritmo de optimización llamado GSL (Gradiente seno lineal) basado en la mejora del algoritmo Adam, que introduce una estrategia de poda de gradientes, ajuste periódico de la tasa de aprendizaje y estrategia de interpolación lineal. La técnica de recorte de gradientes puede escalar el gradiente para evitar explosiones de gradientes, mientras que el ajuste periódico de la tasa de aprendizaje y la estrategia de interpolación lineal ajustan la tasa de aprendizaje de acuerdo con las características de la función sinusoidal, acelerando la convergencia y reduciendo las fluctuaciones drásticas de los parámetros, mejorando la eficiencia y estabilidad del entrenamiento. Los resultados experimentales muestran que en comparación con el clásico algoritmo Adam, este algoritmo puede demostrar una mejor precisión de clasificación. El algoritmo GSL logra una precisión del 78% y 75.2% en la red MobileNetV2 y la red ShuffleNetV2 en el conjunto de datos de Gastroenterología; y en la red MobileNetV2 y la red ShuffleNetV2 en el conjunto de datos de Glaucoma, una precisión del 84.72% y 83.12%. El optimizador GSL logró una mejora significativa en el rendimiento en varias estructuras de redes neuronales y conjuntos de datos, demostrando su efectividad y practicidad en el campo del aprendizaje profundo, y también proporcionando nuevas ideas y métodos para resolver las dificultades en el reconocimiento de imágenes médicas.