在对胸部疾病的诊断过程中,X射线图像因其成像快、对人体影响小等优势,成为初步筛查阶段最有优势的临床病种检测手段之一。但胸部病种鉴别并非单一孤立的工作,其与胸部中的其他病种存在复杂的内在联系,因此医师准确鉴别病种的难度较大,而胸部X射线图像不可避免地存在病理区域较小、成像组织重叠的问题,也为医师的病种检测与病理区域定位造成了阻碍。基于以上问题,本文深入研究了深度学习算法的多病种分类能力。考虑不同病种之间的关联关系,实现了对图像中胸部区域多病种联合识别与分类。对于个别病种,在模型比较中获得了最高的准确率。此外,就肺炎病种定位的问题,本文在模型基础上设计了病理目标区域定位模块,与其他模型相比也获得了不错的定位准确度,能够起到辅助诊断的作用。最后,本文设计了肺炎检测系统,实现胸部X射线图像中肺炎的自动检测,从而为医师的疾病诊断提供帮助。本文的主要贡献如下:（1）针对胸部病种之间内在联系复杂的问题,本文首先组织了一种标签树的约束原则,对各病种之间的内在联系进行了形式化定义,以对网络模型进行针对性地训练引导与结果输出。其次,本文提出了一种结合全局优化与局部优化的网络架构,在该架构中,全局网络对图像中所有病种进行分类,同时局部网络对标签树中各层的病种进行分类,从而增强分类结果的可靠性,加快网络收敛。最后,本文结合自顶向下的分类原则及使用汉明损失思想改进的交叉熵损失函数,使网络的梯度优化更有针对性。实验证明,本文中的方法提高了病种整体检出的能力,对标签树中高层节点病种的检出能力尤其突出。（2）针对X射线图像病理区域小,成像组织重叠而导致的病种区域定位困难的问题,本文为充分利用所设计模型的特征,相对于从X射线图像中分割出精确的肺炎病理区域的方法,转而采取弱监督的方法,使用网络的分类结果生成热力图像,实现病种区域的定位,辅助医师关注重点区域。实验表明,该方法在Io U评价标准下取得了良好的评价指标。（3）在肺炎检测系统中,根据需求分析设计了系统的功能模块,并使所设计的数据关系模式符合关系型数据中的范式要求,从而降低增删改查对数据库的压力。在整体架构设计上,本文采用B/S架构降低系统对客户端的要求。针对图像数据量大的问题,将系统后台与阿里云的OSS进行关联,从而减少对本地存储的要求。