胸部X光检查是世界上最常见的一种医学成像检查,对于诊断包括肺结核和肺癌在内的多种胸科疾病至关重要,每年有超过20亿次的使用。而完全依赖放射科医生进行胸片诊断的方法不仅效率较低,而且诊断的结果与医生的专业能力水平相关,甚至可能出现因为阅片疲劳导致的误诊,诊断的准确性难以得到有效保障。因此,研究一种胸片辅助诊断算法具有非常重要的现实意义。传统的胸片辅助诊断算法依赖算法设计者根据特定的疾病特征,例如病灶的形状、大小、灰度等,手动进行特征提取,再通过对提取的特征进行分析,实现对疾病的辅助诊断,但是这种方法必须针对不同的疾病特征设计不同的特征提取方法,费时费力。而深度学习以其优秀的自动特征提取能力在图像识别领域取得巨大的成功,利用深度学习来进行胸片疾病的辅助诊断已经成为了当前的研究热点。因此,本文在深度学习的基础上,提出了一种多网络特征融合的胸片辅助诊断算法。该算法主要由三个部分组成,第一部分是特征提取,算法使用了残差网络(ResNet)和密集连接网络(DenseNet)两个不同的神经网络分别进行特征提取,两个网络结构相互独立,各自进行特征提取,同时为了加快算法的训练速度,用作特征提取的网络中的参数并不是从头开始训练,而是使用了在ImageNet数据集中预训练好的参数进行初始化,再使用胸片图像对其进行微调;第二部分是特征融合,将两个神经网络提取的特征进行了融合,融合时先将两个特征进行通道连接,最大限度保留两个特征中的信息,再使用平均池化操作对连接后的特征在每个通道上计算平均值,得到融合特征。第三部分是多标签分类器,每张胸片可能包含多种疾病,因此胸片辅助诊断是一个多标签分类任务,算法基于一个以Sigmoid函数为激活函数的全连接层构造了一个多标签分类器,对胸片的融合特征进行多标签分类,从而实现对胸片疾病的辅助诊断。本文在美国国家卫生研究院(NIH)临床中心发布的ChestX-ray14数据集上进行了实验,对ChestX-ray14数据集中的14种胸片疾病进行分类识别,并且其他同类算法进行了比较,在分类评价指标AUC上获得了一定的提升。