医学的高效发展是保障公民生命安全尤为重要的一环。胸部X片（胸片）诊断作为最常见的影像学检查手段,存在效率低、易误诊等缺点,而深度学习技术能高效完成胸片检测任务。针对多标签胸片分类,本文主要工作包括:对CheXpert数据集进行预处理;根据CheXpert数据集的特点和标签之间的关联性,设计了应用于节点分类的MIA-GRGN网络和应用于多标签胸片分类的DROP-DIR-RES网络;分别将两个网络在基准数据集下实验,验证所设计网络的效果。从国内外胸部疾病检测与图神经网络（GNN）的研究现状中,分析不同方法存在的优缺点,对如何更好的在多标签胸片分类中运用GNN进行总结。其次阐述了多标签胸片CheXpert数据集中常见疾病类型的病理特征和标签关联性,为了使CheXpert数据集适用于多标签网络,通过U-Zeros、U-Ones、U-Prob不确定性标签表示处理方法处理训练集;从Glove语料库中获取疾病类别的词向量嵌入集;根据标签对出现次数构建标签共现矩阵。为了更加有效的捕捉多标签图像中存在的标签依赖关系,对图卷积网络（GCN）进行改进,提出了多信息聚合的图残差生成网络MIA-GRGN。通过研究GCN的缺陷,设计DIRGCN提取图结构特征,其通过初始残差连接使每层特征都保留了部分图结构信息,有效缓解了过平滑问题。设计随机图生成方法RGGM,采用生成框架的形式优化DIRGCN的损失函数。通过优化的损失函数促进模型学习,构成结合图结构、节点特征、标签联合分布的MIA-GRGN。实验结果表明,MIA-GRGN在半监督节点分类任务中,Citeseer数据集分类精度提高1.3%;全监督节点分类任务中Cornell数据集分类精度提高5.77%。为了对多标签胸片进行高效分类,设计了多标签分类网络DROP-DIR-RES。将DIRGCN与残差网络（ResNet）相结合,使相互依赖的标签关系能够更好的映射到网络分类器中;其次,设计DROP方法细化阈值划分,通过随机丢失灵活的生成标签关联矩阵,提高了网络的鲁棒性。实验结果表明,在基准数据集PASCAL VOC 2007上MAP提高到93.8%。将DROP-DIR-RES网络应用在经过预处理的CheXpert数据集上实验,AUC指标达到了 88.3%。本文提出的两种网络相较已有的模型,具有一定的优势,为多标签胸片的分类提供了研究基础。图[21]表[9]参[81]