近年来空气污染程度逐渐严重,致使呼吸系统的常见病——肺炎,发病率增高。儿童是肺炎疾病的高发人群,2015年全世界有920000名儿童死于该病。肺炎的早期确诊有助于降低死亡率,但是在医学上通过胸片确诊肺炎是一项艰巨的任务,需要有临床经验的医生对胸片进行长时间的阅片观察,致使医疗资源匮乏的偏远地区肺炎早期确诊非常困难。近年来随着人工智能技术的逐渐成熟,深度学习在目标检测领域也逐渐发展起来。利用深度学习目标检测技术来解决医疗问题也是目前流行的趋势。现有的目标检测模型是基于自然图像数据集提出的,它可以使用大量的自然图像样本进行训练。然而对于肺炎图像的检测,数据样本明显不如自然图像样本丰富,并且医疗图像与自然图像截然不同,所以自然图像上的算法无法直接在肺炎图像上使用。针对这个问题,本文设计一种专门使用在肺炎数据上的深度学习目标检测方法。通过分析肺炎胸片数据的特点,对肺炎数据进行针对性的预处理。研究目前已有的目标检测算法,在目标检测的两个分支单阶段目标检测算法和双阶段目标检测算法上,分别对肺炎数据进行针对性设计,最后对两类算法进行模型融合得出最后的检测结果。单阶段模型,基于Retinanet的肺炎检测算法设计如下:第一,调整预测框尺寸以适应肺炎数据,保证肺炎数据得出有效的检测结果;第二,对不同骨干网络进行试验,更好的提取肺炎特征,并且使用迁移学习的思想进行参数初始化;第三,在网络的回归分支上进行修改,融合多维度的图像特征,提高肺炎检测性能;第四,在网络结构的C5层后增加全局损失函数,用于对全局图片信息进行提前的分类,更好的提取肺炎特征;第五,使用focal loss损失函数对检测样本进行分类,并调整内部参数适用肺炎数据,防止正负样本不平衡,提高肺炎检测性能。双阶段模型,基于Mask-RCNN的肺炎检测算法设计如下:第一,根据肺炎数据集的标注格式在Mask R-CNN上去掉分割的分支;第二,调整算法第一阶段预测框尺寸,保证肺炎数据得出有效的检测结果;第三,对不同骨干网络进行试验,更好的提取肺炎特征,并且使用迁移学习的思想进行参数初始化;第四,提出一种分阶段的训练方式,分阶段训练参数有助于模型算法精度的提升。最后将基于Mask R-CNN的肺炎检测算法与基于Retinanet的肺炎检测模型进行模型融合,使肺炎检测算法的精度得到提升,完成肺炎检测。使用以上深度学习目标检测技术对肺炎胸片图像进行分类和检测,有助于对大量的肺炎胸片进行初步的筛选与标记,提高医生的工作效率,对医疗资源匮乏地区提供医疗的帮助。