肺炎是一种常见的呼吸道感染性疾病。近年来,受大气污染、药物滥用及罕见病原体爆发等多方面因素影响,导致肺炎病死率显著上升,引起社会各界高度重视。肺炎的早期确诊有助于降低死亡率,以X射线影像为基础的诊断方法是世界范围内重要的肺炎诊断方法之一,但由于影像数据的快速增长,而放射科医生严重不足的问题,使得寻求智能诊断方式进行辅助诊断的意义重大。与此同时,随着人工智能的发展,深度学习在医疗图像上的应用表现出极大的优势。本文以上述问题为背景,基于深度学习的目标检测算法对肺炎检测进行研究,主要工作内容如下:（1）提出了一种CLAHELS图像增强算法,通过将限制对比度自适应直方图均衡化与图像锐化相结合的方式,在增强胸部X射线图像亮度及对比度的同时有效地提取了肺部边缘的轮廓信息,改善了X射线影像中肺炎图像病灶组织与正常组织难以区分的现象,提高了图像的质量。（2）针对胸部X射线原始数据集中正负样本严重不平衡的问题,利用一阶段RetinaNet网络中设计的Focal Loss能够较好地解决训练中样本不平衡的优势,提出了一种基于改进Retina Net的肺炎检测算法。该算法在特征提取步骤,将Res Net50的conv3＿x、conv4＿x层加入SE模块,增强特征提取能力;在构建FPN步骤,增加P2特征层用于检测小目标的肺炎病灶区域,并使用K-means聚类算法优化Anchor进行肺炎病灶区域检测;在边界框分类与回归步骤,在C5之后增加一个全局损失函数,同时在P3～P6之后加入SE模块,来进一步提高肺炎检测模型的效果。实验结果表明,改进型算法有效提升了肺炎的检测精度。（3）为了进一步提高检测精度,提出了一种基于改进两阶段模型Faster RCNN的肺炎检测算法,并融合（2）中设计的网络,改善在胸部X射线中对于多个肺炎目标区域检测的效果。首先对实验数据进行选取和扩充;其次改进主干网络Res Net50,将其conv5加入检测网络中提高分类器性能,并引入两种空洞残差块组合生成一种特征融合模型,综合利用浅层与深层特征更好的对图像特征进行提取;然后对非极大值抑制算法进行改进;最后,将基于Faster R-CNN的肺炎检测模型与基于Retina Net的肺炎检测模型进行模型融合,对预测框进行针对性的后处理,进一步提高对病灶区域定位的准确性,完成肺炎检测。综述所述,本文通过CLAHELS图像增强算法提高肺炎图像的质量;并提出两种改进型目标检测算法,之后进行模型融合设计,实现并验证了胸部X射线图像上肺炎检测的可行性同时提升了检测精度。