胸部X线片（Chest X-ray,CXR）和计算机断层扫描成像（Computed Tomography,CT）是临床上最常见的医学影像学检查手段,对诊断常见的肺部疾病至关重要。目前,阅读胸片和CT图像并作出准确的诊断依赖于放射科医师的专业知识和医学经验。随着肺部疾病临床影像数量的不断增加,对肺部纹理细微变化的深入诊断给医生带来了繁重的工作量,即使是最有经验的影像科医生也可能会出现诊断错误。因此,借助人工智能（Artificial Intelligence,AI）技术,通过读取患者临床影像信息实现自动诊断肺部疾病、勾画肺部区域、输出诊断报告,开发一套基于深度学习的肺病智能辅助诊断方法,具有较高的临床实际应用价值。本文围绕肺部疾病临床影像的计算机辅助诊断（Computer Aided Diagnosis,CAD）方法开展研究,针对深度学习方法在医学图像处理领域的研究热点,以方法理论研究和临床实际需求为基础,在肺部疾病临床影像的预测分类、区域分割、图像超分辨和诊断报告生成四个方面展开具体研究工作。（1）针对深度学习模型要求输入图像为低分辨率和肺部疾病区域在整张图像中占比较小的问题,本文设计一种高分辨率肺部疾病分类算法应用于分类14个胸部疾病和诊断胸部X线图像。高分辨率肺部疾病分类网络由四个并行的子网络组成,通过多尺度融合过程反复交换特征信息。通过局部和全局特征提取分支训练两个高分辨率网络,并将特征融合模块进行连接和微调,最终进行预测。所设计的算法在Chest X-ray14数据集的实验结果证明了模型的有效性和准确性。局部和全局特征提取分支融合后改善了分类性能,提高了分类效果。（2）针对CT图像中肺部边缘模糊导致难以分割的问题,本文提出了一种改进的U-Net肺部区域分割算法。该算法在U-Net网络的下采样部分对输入图像做拉普拉斯金字塔分解,叠加图像特征提取提升网络对中间特征信息的处理能力。在UNet网络的上采样部分,引入轻量级注意模块,在提取深层特征信息的同时进行注意力监督,有效提取CT图像肺部区域的特征信息。实验结果表明,所设计的算法对磨玻璃影（Ground Glass Opacity,GGO）分割准确率为0.973,可有效完成CT图像肺部分割任务。CT图像的肺部分割能帮助医生对肺部炎症疾病进行快速准确分类。（3）针对肺部CT图像金属伪影去除过程中存在着疾病信息丢失、二次伪影和主观评价少等问题,本文提出了一种基于多模态特征边缘增强生成对抗网络的算法,在消除金属伪影的同时增强校正后CT图像的纹理结构。首先,引入交互信息限制了冗余特征的生成,以确保校正后CT与靶CT的疾病信息一致性。交互信息和CT图像融合,产生多模态特征表示,克服单模态数据的代表性能力限制。然后,设计了一个边缘增强子网络来避免二次伪影和抑制噪声。此外,还邀请了三位影像医师对校正后的CT图像进行主观评价。客观和主观评价显示,该算法可以获得高质量去除金属伪影的效果。（4）针对现阶段缺乏大规模可应用于深度学习的医学影像和报告数据集,自动阅读胸部X射线图像仍然是一项具有挑战性的工作,探索能够模拟人类放射科医生高级推理的技术,本文以临床影像和诊断文本数据集提供的先验知识,提出了一种新的图像-文本嵌入网络来提取独特的图像和文本表示,自动从回溯性图像和报告数据中提取深度学习的标注。该算法在端到端CNN-RNN架构中实现,用于学习独特的图像和文本表示的混合。然后,论证和讨论在自动标注和报告任务中包含放射报告的利弊。虽然在多标签疾病分类方面取得了重大改进,但在提高生成报告的质量方面仍有很大的空间。