肺部疾病严重威胁人类健康,胸部X线摄影图像是临床诊断肺部疾病的重要参考。随着深度学习特别是计算机视觉领域的快速发展,针对如何构建有效的肺部疾病胸部X线摄影图像识别模型,许多学者开展了卓有成效的研究,但仍然需要进一步提升模型的识别性能并增强识别结果的可解释性。本文的主要工作如下:（1）构建了一个深度卷积神经网络模型用于识别肺结节（Nodule）、肺不张（Atelectasis）、正常（Normal）和感染（Infection）4种类型的胸部X线摄影图像。为了提升识别精度,本文增加了模型的卷积层数并加入了残差结构使得模型的识别性能得到了一定提升。（2）尝试了带有自适应结构的多尺度网络模型以及自适应残差网络模型并将二者各自特点相结合,构建了自适应残差融合多尺度神经网络模型,取得了较好的识别效果。（3）为了进一步提升模型的识别能力,本文在自适应残差融合多尺度神经网络模型基础上构建了多尺度自适应残差神经网络模型（Multi-scale adaptive residual neural network,MARnet）对肺部疾病的胸部X线摄影图像进行识别。在MARnet模型中,为了使模型能够更好地提取图像特征,本文将残差块提取的信息和自适应结构提取的信息交叉传递到不同层级,避免了残差结构对自适应功能的削减作用。（4）为了评估模型对胸部X线摄影图像的识别能力,本文将MARnet同其它神经网络模型进行对比,结果显示MARnet在肺结节、肺不张、健康和肺部感染的识别中达到83.3%的准确率（Accuracy,ACC）,平均AUC（Area Under ROC Curve）指标达到了 0.97,均高于其它网络模型。此外,本文使用了 5折交叉验证（5-fold cross validation）在全部数据集上对MARnet进行了检验,结果显示MARnet对胸部x线摄影图像的识别性能平稳。最后,本文还使用了梯度加权类激活映射（Gradient-weighted Class Activation Mapping,Grad-CAM）对图像病理特征进行热力图展示,为临床医生诊断肺部疾病提供了更为直接的参考。希望本文所提出的方法能在临床实践中准确识别出常见的肺部疾病,成为临床医生的有效辅助诊断工具。