智能医疗疾病辅助诊断模型需要满足更短诊断时间、更高诊断准确率、模型占据存储空间较少、更加方便落地实现等需求。本文面向医疗疾病诊断,主要研究集成动态学习网络的设计开发。以乳腺肿瘤和肺炎诊断为例,集成动态学习网络模型采用神经动力学训练方法,使训练误差和测试误差单调平稳地下降收敛。相比传统的诊断模型,集成动态学习网络模型结合神经动力学理论和集成学习方法,减少所需训练的参数数目和存储空间,缩短模型训练时间和推理时间,稳步提高诊断准确率等性能指标值。这些优势为针对乳腺肿瘤和肺炎的筛查治疗提供确凿依据,有助于维护人类身心健康。本文主要研究工作概述如下:首先,针对乳腺癌存在性和乳腺肿瘤类型诊断两大任务,第二章结合神经动力学训练算法和相对多数投票策略提出投票动态学习神经网络诊断模型。相比由梯度下降算法训练而成的反向传播神经网络,投票动态学习神经网络能够大幅度提高计算效率和诊断准确率。其次,针对新冠肺炎的存在性诊断任务,第三章在第二章投票动态学习神经网络的基础上,结合深度卷积神经网络和引导聚合（Bootstrap aggregating,Bagging）集成方法提出深度集成动态学习网络诊断模型。深度集成动态学习网络将预训练卷积块而成的特征提取器和集成动态学习网络分类器串联起来,通过识别X光正位胸片图像中的特征来诊断新冠肺炎。再者,针对多种类型肺炎的诊断任务,第四章在第三章深度集成动态学习网络的基础上提出深度双阶段集成改进型动态学习网络诊断模型。深度双阶段集成改进型动态学习网络由图像特征提取器和双阶段集成改进型动态学习网络分类器两大模块串联而成,将自动识别新冠肺炎、其他类型肺炎和正常病例这一三分类任务拆分成两个逻辑相连的二分类子任务,分别用于诊断肺炎的存在性和所患肺炎类型,并且对动态学习网络进行改进。这些措施使整个深度双阶段集成改进型动态学习网络诊断模型具备更加事半功倍的诊断效果。除此之外,第四章结合深度双阶段集成改进型动态学习网络诊断模型和图形用户界面设计技术,开发出肺炎辅助诊断系统,以此达到诊断结果可视化的目的,为系统大规模落地实现奠定基础。因此,相比现有的方法模型,基于神经动力学理论的集成动态学习网络在诊断乳腺肿瘤和肺炎两项疾病诊断的运用能够缩短模型训练推理时间,稳步提升诊断准确度。并且通过开发肺炎辅助诊断系统的方式使诊断结果得以可视化,为未来研究提供创新性方向与思路。