随着环境污染的加剧,恶劣极端天气增多,人们感染肺部疾病的几率大大增加,对肺部疾病的准确判断和认知极为重要。现实中X-RAY拍摄的图像患病与不患病之间图像的差异性非常小,某些肺部疾病通过X-RAY图像是不易察觉的,年轻医生对X-RAY肺部图形的解读往往存在经验上的不足,导致X-RAY肺部图形解读产生错判,漏判等情况。将机器学习方法运用在X-RAY肺部疾病检测中,将能挖掘到X-RAY肺部图形数据中潜在的信息,有助于改善错判、漏判的情况,帮助医生对肺部疾病做出准确判断。支持向量机已经运用在包括人像识别、文本分类、手写字符识别、生物信息学等多个领域。支持向量机在小样本训练集上要比其它机器学习算法要好很多,由于支持向量机优化目标是结构风险最小而不是经验风险最小,因此避免了出现过拟合等问题。在X-RAY肺部检查中患者往往同时患有几种肺部疾病,因此X-RAY肺部疾病识别在机器学习领域是一个多标签问题。在医学领域收集大量的、质量好的样本用于机器学习算法训练是困难的,使用多标签支持向量机用于X-RAY肺部疾病识别将能很好的避免了这一个问题。本文开展了多标签支持向量机运用于X-RAY肺部疾病的检测研究,具体内容包括:(1)设计了新的多标签支持向量机。由于传统的多标签支持向量机没有考虑特征空间交叉、重叠等问题将会使分类精度损失,针对此问题设计了多标签平行支持向量机(Multi-label Parallel Support Vector Machine,MLPSVM)。(2)将MLPSVM运用在X-RAY肺部疾病识别中。X-RAY肺部图像存在图像噪音多,特征信息不明显等难点,使用直方图均衡化方法对图像进行图像增强,使用训练后的ResNet34残差卷积神经网络对X-RAY肺部图像进行特征提取,MLPSVM用于多标签分类。(3)设计并实现了X-RAY肺部疾病辅助诊断系统。基于上述所做的工作设计并实现了X-RAY肺部疾病辅助诊断系统,该系统采用C/S架构能避免训练模型需求算力过高等问题。经过测试和试用,系统能实现X-RAY肺部疾病辅助诊断功能,具有一定的稳定性与准确性。