胸透X射线是目前临床上最常用、经济的放射检查之一，用于多种胸部常见病变的筛查。但由于不同类型的胸科疾病在病理形态、大小、位置等方面往往具有高度的差异性与多样性，且疾病样本不平衡等问题，用深度学习来检测、定位胸部疾病仍是一项具有挑战性的任务。针对以上问题，本文提出了一种胸部疾病诊断网络，首先通过压缩-激励模块实现自适应特征重标定，提高网络细粒度分类能力，其次采用全局最大-平均池化层增强网络病理特征的空间映射能力；然后使用焦点损失减少简单、易分类样本的权重，使得模型在训练时更专注于困难、易错分样本的学习；最后，通过梯度加权类激活映射实现弱监督病变区域可视化定位，为网络预测结果提供相应的视觉解释，进一步加深临床医生对辅助诊断的理解与信任。在ChestX-ray14官方数据划分标准下训练、评估，与目前3种先进方法相比，本文算法在14种疾病的诊断上均具有最佳诊断结果，平均AUC值达到0.83。