当今世界上,肺部疾病如肺癌的发病率和死亡率呈最快增长,被认为是对人群健康威胁最大的疾病之一。及早进行肺部疾病筛查可以显著提高患者的生存几率。随着深度学习和计算机辅助诊断技术的发展,基于深度学习的计算机辅助诊断技术结合了影像学、医学图像处理和模式识别,在临床中得到越来越多的应用,将其应用于医学图像研究已成为研究的热点。然而,现有的深度学习模型通常针对大规模数据集设计,其参数量和计算量较大,如何在保持识别精度的同时提高识别速度成为一个挑战。此外,在医学领域,疾病的发生与年龄、性别以及其他疾病之间存在着复杂的依赖关系,然而传统的识别方法较少考虑到这些联系。为了解决上述问题,本研究基于深度学习理论,并结合Transformer和图注意力神经网络GAT（Graph Attention Networks）等技术,对肺部疾病进行了深入研究。主要包括以下几个方面的内容。（1）为了实现轻量化的深度学习网络模型,保持识别精度的同时提高识别速度,提出了一种基于Transformer模型的轻量化新冠肺炎CT识别算法,简称LWTFNet。首先使用改进的Mobilenet V2进行特征提取,然后通过多次分层Transformer来减少参数数量。其中,通过引入邻域注意力机制替换传统的自注意力机制,进一步减少参数量,并同时提取全局和局部信息,以提高组内和组间特征的交互能力。最后,使用整合的新冠肺炎CT数据集进行测试。实验结果表明,相对于其他模型,提出的模型在参数数量上显著减少,并在多个评价指标上表现优异。这对于新冠肺炎的计算机辅助诊断具有积极意义。（2）为了充分利用标签之间的信息,提高模型性能,还提出了一种融合对比学习和图注意力神经网络的多标签分类算法,简称ICLGNet。首先使用Efficient Net V2作为主干网络提取网络特征,然后将疾病标签以及年龄性别等副标签的Embedding送入图注意力网络中。同时引入对比学习损失来解决图注意力网络中的过平滑问题,并增强标签Embedding的区分度。接下来,将图注意力网络提取的标签依赖特征与Efficient Net提取的图像特征送入设计的两阶段解码算法的Transformer Decoder层中。首先识别年龄、性别、有无疾病等特征,然后利用这些特征进一步识别具体疾病。最后,在公开的Chest Xray14数据集上进行了测试。综合实验结果表明,提出的方法明显提高了肺部多种疾病识别的准确率,其中Acc达到了0.95,AUC达到0.8872,对临床肺部疾病的诊断具有重要价值。