基于深度学习的医学图像处理技术是科学研究的重要方向之一,也是智慧医疗中的一种关键的辅助诊断手段。在对放射性肺炎进行诊断时,传统诊断方式是医生对患者的CT图像序列进行仔细查阅,如果医生的专业知识不够深,容易造成诊断失误,尤其是病人众多、炎症区域不便于区分的时候。尽管当前的传统诊断方法能满足诊断基本需求,但也十分考验医生的知识水平,而且诊断流程慢。因此设计快速而准确的智能诊断系统不仅能使诊断效率提升,还能大大减少医疗资源的消耗。针对存在的问题,本文结合混合卷积神经网络相关知识,采用了卷积神经网络（CNN）以及长短时记忆网络（LSTM）提出了放射性肺炎CT图像的分类算法并实现了一个智能诊断系统,研究工作主要从以下方面展开:首先,由于传统的CT图像分类效率较低,对医师的专业知识要求较高,模型训练中缺乏足够的训练数据,导致了模型过拟合的问题。本文设计了基于混合卷积神经网络的放射性肺炎CT图像序列的分类模型,与传统图像分类网络只能对单张图片进行分类不同,它能对CT图像序列的特征进行综合分析,并在小样本数据集上依然能有理想的精度要求。具体而言,在本课题中,先设计了网络模型的整体架构,接着引入了限制对比度自适应直方图均衡化算法（CLAHE）和传统阈值分割算法对本文的数据集和数据（来自哈医大附属肿瘤医院,共计84位患者的CT图像序列）做了图像增强的预处理操作。接着使用了迁移学习的方法对网络模型进行预训练,在对数据集进行了扩充后,将获得的模型参数迁移至本课题数据集上进行微调;为保证精度的同时减小网络结构,结合分割算法对图像进行特征融合保证模型能准确快速学习到所感兴趣的区域。为对比本文模型的分类性能,CT图像经由四个不同的网络模型（VGG16+LSTM、Dens Net201+LSTM以及本文模型）对无放射性肺炎、轻度放射性肺炎、重度放射性肺炎和重度放射性肺炎进行四分类研究,最后对比四个模型的准确率、Kappa系数。实验结果显示,本文提出的模型分类效果更好——准确率最高、Kappa系数最好。对分类模型进行可视化不但能明白卷积网络做出分类判断的依据,也能辅助医生去关注这些区域,从而准确地实现对患者放射性肺炎的病情诊断。本文对设计的混合卷积神经网络利用梯度类热力图算法对做出分类决策的依据进行了可视化显示,清楚的展示了网络所关注的病灶区域,增加了分类结果的说服力。最后,针对分类模型的实验结果,实现了放射性肺炎CT图像分类智能诊断系统进行了整体设计,所提出的放射性肺炎CT图像序列的四分类系统经过测试比较,实现了准确率75.22%,Kappa系数0.69,满足了放射性肺炎的CT图像诊断可靠性的要求,为辅助医生对患者肺炎病情的诊断提供了有力的工具。