X-ray图像成像成本低,具有低辐射剂量,并对各种病理有着合理敏感性,因其高可用性,成为现代医学图像的“流量入口”。近年来,深度学习技术逐渐成为医学图像分析领域的自然选择,可以通过设计并实现不同的计算机视觉模型辅助解读医学图像,为医生提供可靠的第二诊断意见。胸部X-ray图像作为最常用的放射学检查,是筛查、诊断各种心、肺部异常的核心辅助手段。利用深度学习技术辅助胸部X-ray图像的解读,尤其是准确检测出异常的类别和位置是一个具有重要研究价值的研究方向,但这种细粒度辅助诊断任务存在着一定的挑战性。一方面,由于X-ray图像的成像特点,图像中的异常区域和自然图像中的显著目标相比具有更少的判别性特征,使得检测模型准确区分不同的病理模式变得非常困难,如肺炎和胸腔积液都表现为X-ray图像的不透明性增加。另一方面,胸部X-ray图像中包含的异常往往尺度多变,且包含难检测的小目标,如肺结节。除此之外,不同类别的异常数据呈现出明显的长尾分布特点,给模型的多标签平衡训练增加了困难。针对以上三方面的问题,本文提出了有效的解决方法,主要研究内容如下:1、针对胸部X-ray图像中判别性特征提取困难的问题,设计了通道维注意力与空间维注意力引导的特征提取网络Aug-Res Ne St。其中,通道维注意力通过自适应重组不同通道的特征,实现了通道信息的有效交互,过滤了冗余特征而保留了重要特征。空间维注意力利用可变形卷积打破规则感受野的限制,灵活提取目标周围的上下文信息作为对通道维注意力的合理补充。通过在特征提取网络中使用双重注意力引导机制,有效提升了其对判别性特征的提取能力,从而将本文检测模型对14类异常的平均检测精度提高了1.7个百分点。2、针对胸部X-ray图像中异常尺度多变的问题,提出了使用增强特征金字塔结构Aug FPN作为特征融合网络。该结构通过提出残差特征增强、一致性监督和软性Ro I选择等模块解决了原始特征金字塔网络中存在的顶层特征信息损失、不同层特征语义差距大、多尺度特征利用不充分等关键性问题。实验证明该结构的引入有效改善了本文模型整体的检测性能,将模型对14类异常的平均检测精度从33%提升至34.1%。3、针对不同类别的异常数据呈现出长尾分布的特点,使用Seesaw Loss作为分类损失,它在常见的分类损失Cross Entropy Loss中引入了两个关键因子。在训练过程中动态减少了由长尾分布中的头部类别施加在尾部类别上过量的负样本梯度,达到了正负样本梯度相对平衡的效果,从而避免了因类别分布不均衡而产生的分类器学习偏向性问题。实验证明,采用Seesaw Loss作为分类损失可以有效提升并均衡模型对不同类别异常的检测性能,将本文模型性能提升了0.8个百分点。通过对以上三个关键性问题的解决,在Vinbigdata数据集上的实验表明,本文所提出的胸部X-ray图像多标签异常检测模型具有良好的表现,最终取得了36.2%的平均检测精度,超越了大多数现有的流行两阶段检测器。