随着计算机技术的发展,计算机辅助诊断系统(computer aided diagnosis CAD)对于病理分析及癌症诊断具有重要的意义,己广泛应用于肺病的早期筛查,它一般步骤通常包括图像的预处理过程、特征提取及图像识别等。尘肺病是一种职业病,主要人群为农民工患者,其工作环境较为落后,长期吸入生产性化学粉尘并在肺内滞留引起尘肺病。针对尘肺病CT图上的病灶分布以及病灶周围阴影表现与肺癌表现相近,识别检测容易受到肺内结节大小,形状以及血管等肺内组织的干扰而造成误诊的现状,本文提出基于Capsule神经网络的肺病识别方法。考虑到肺部CT图像的纹理特征中蕴含很多医疗信息,为了对纹理特征进行保护,本文选择灰度均值、熵以及分形维数等建立起一个纹理特征向量,且根据上下文模型采集对应信息,基于LBG算法来预处理肺部CT图像,通过对肺结节的检测与提取完成肺实质分割。又由于现有肺部CT图片数据较少,且肺病特征较小,为提高网络性能,对已有图片进行数据增强,拓展数据集。因此,本文提出了一个基于胶囊神经网络的方法对农民工肺部CT图像进行分类预测,首先对卷积神经网络和迁移学习进行介绍,其次对Capsule算法进行详细说明,并将其与迁移学习结合,然后评估了该算法在数字病理图像分类预测中的性能,最后通过与其它预测方法进行比较,对实验结果进行分析。应用结果表明,使用Capsule神经网络对肺病的识别准确率达到了 98.7%,对比传统的卷积网络,Capsule神经网络能够较好的实现肺病的识别。