En este estudio, se propone un método de clasificación de imágenes gastrointestinales basado en el algoritmo Adam mejorado. La clasificación de imágenes gastrointestinales es de gran importancia en el campo del análisis de imágenes médicas, pero presenta numerosos desafíos, incluida la convergencia lenta, la susceptibilidad a mínimos locales, y la complejidad y desequilibrio de los datos de imágenes médicas. Aunque el algoritmo Adam se utiliza ampliamente en el descenso de gradiente estocástico, tiende a sufrir de sobreajuste y problemas de explosión de gradientes al tratar con datos complejos. Para abordar estos problemas, este artículo propone un algoritmo Adam mejorado, AdamW_AGC, que combina las estrategias de decaimiento de peso y de recorte adaptativo del gradiente (AGC). El decaimiento de peso es una técnica común de regularización utilizada para evitar el sobreajuste de los modelos de aprendizaje automático. El recorte adaptativo del gradiente evita el problema de explosión del gradiente al restringir el gradiente a un rango adecuado y ayuda a acelerar la convergencia del proceso de optimización. Con el fin de verificar la efectividad del algoritmo propuesto, realizamos experimentos en el conjunto de datos de HyperKvasir y experimentos de validación en los conjuntos de datos estándar MNIST y CIFAR10. Los resultados experimentales en el conjunto de datos de HyperKvasir demuestran que el algoritmo mejorado logró una precisión de clasificación del 75.8%, en comparación con el 74.2% del algoritmo Adam tradicional, lo que representa una mejora del 1.6%. Además, los experimentos de validación en los conjuntos de datos MNIST y CIFAR10 resultaron en precisión de clasificación del 98.69% y 71.7%, respectivamente. Estos resultados indican que el algoritmo AdamW_AGC tiene ventajas en el manejo de tareas de clasificación de imágenes médicas complejas y de alta dimensionalidad, mejorando efectivamente tanto la precisión de clasificación como la estabilidad del entrenamiento. Este estudio proporciona nuevas ideas y expansiones para la investigación futura de optimizadores.