肺炎是一种常见的呼吸系统疾病,严重影响人类健康,进行早期诊断是治愈肺炎的关键。目前医学领域对肺炎诊断的主要途径是专业医生观测胸部X光图像,结合图像特征与肺炎病理学知识给出诊断结果。近年来,随着人工智能的发展,深度学习技术在医学领域也得到了广泛应用并取得了一定成果。利用深度学习技术解决肺炎诊断问题既可以节约公共医疗资源,又能够降低人力成本,顺应目前的发展趋势,具有重要的研究意义和现实价值。本文主要工作如下:1)为解决不同采集设备生成X光图像差别大,采集过程中易受噪声干扰导致图像质量差的问题,本文采用限制对比度自适应直方图均衡化算法对X光图像进行图像特征增强,设置多种不同参数组合验证算法性能,给出算法最佳参数。经过最佳参数算法处理后的X光图像数据集拥有相似亮度条件和更加清晰的肺部特征,能够提升后续任务效果。2)为实现胸部X光图像肺部区域分割,本文基于U形网络给出一种图像分割网络架构Lung-Unet。该网络通过下采样卷积层实现图像特征提取,并且加入注意力机制模块,更好的关注X光图像中的肺部区域。通过上采样反卷积操作,将特征图恢复为原始图像大小,实现精准分割。实验表明,Lung-Unet相较原始Unet在X光图像肺部区域分割任务中有更好的性能表现。3)为诊断肺炎,本文给出深度卷积神经网络Lung Net,该网络采用改进的残差思想和模块化设计,具有深层结构。实验表明,其在X光图像分类任务中具有良好性能表现,可高效、精确的输出X光图像类别,该网络在胸部X光数据集和肺部X光数据集上分类精度分别达到92.2%和92.3%。4)为解决传统深度学习模型复杂度高的问题,本文采用迁移学习方法改进Alex Net、Vgg Net和Res Net,迁移以上3种网络部分结构并重新设计全连接网络,完成X光图像分类任务。实验表明,迁移网络与原始网络相比复杂度更低且具有更好的性能,在加快模型训练速度的同时提高X光图像分类任务精度。