Los modelos de aprendizaje profundo y visión por computadora se integran comúnmente para el autodiagnóstico de la salud electrónica. Los colores y rasgos anormales de las heces pueden revelar los riesgos de cáncer y enfermedades digestivas. Por lo tanto, este documento desarrolla un sistema de diagnóstico de autodiagnóstico para analizar convenientemente las condiciones de salud de los usuarios a partir de imágenes de heces en casa, lo que puede reducir la dependencia de habilidades profesionales y equipos de examen. Desafortunadamente, las escenas reales en casa sufren de varios desafíos severos, incluida la falta de datos etiquetados, fondos complejos, iluminación variable, etc. Se emplea una estrategia de aprendizaje semisupervisado para resolver la escasez de datos etiquetados y reducir la carga del etiquetado manual. Los datos no etiquetados son clasificados por un modelo inicial que se preentrena en un pequeño número de datos de entrenamiento. Luego, las etiquetas con alta confianza se asignan a las muestras no etiquetadas para extender los datos de entrenamiento en consecuencia. En cuanto a las áreas pequeñas de heces en ciertas muestras, se propone un método de aumento adaptativo para agrandar el área local adecuada según la proporción del primer plano. Las imágenes de heces sintetizadas en escenas reales se prueban para confirmar la efectividad y eficiencia del método propuesto. En términos de precisión, nuestro modelo propuesto puede lograr 100% y 99.2% en reconocimiento de color y rasgos en escenas médicas, respectivamente, y 99.1% y 100% en reconocimiento de color y rasgos en escenas reales, respectivamente. Los conjuntos de datos y códigos relacionados se lanzarán en Github.