全球每年约400万人因肺炎死亡,并且这一数字还在逐年增加。肺炎的早期诊断可以有效降低死亡率。当前国内许多地区医疗资源极度匮乏,肺炎辅助诊断系统的出现有助于缓解这一现象。肺炎的检测是肺炎诊断系统中最关键的步骤之一,患者的临床信息在肺炎的检测中起着重要的作用。本文的主要工作如下:（1）提出了基于改进区域增长算法的肺实质分割算法。该方法可以自动获取种子点,然后基于种子点完成区域增长,实现肺实质分割。最后利用多平面孔洞填充算法实现肺实质的修复。采用肺实质分割可以消除肺部其它组织对肺炎检测产生的影响。（2）提出了融合卷积神经网络和长短期记忆网络的模型（PDNet）。该方法采用了三通道CT图像、患者年龄和性别多模态数据,模拟了临床肺炎的检测过程。PDNet依据每个病例的CT图像转换得到三通道（肺窗,高衰减窗口,低衰减窗口）伪彩色图像,不同通道提供的信息各不相同,并且可以互相补充。为了减少对计算资源的需求,把CT序列看做短视频帧,首先利用同一个卷积神经网络（CNN）提取所有CT图像中的特征,然后利用长短期记忆网络（LSTM）提取这些特征中的联系信息。最后,PDNet采用病人的年龄和性别信息作为先验来改善模型的决策过程。因此,在PDNet中,结合了CT视觉特征,患者年龄和性别特征来模拟临床肺炎的诊断过程,并给出检测结果。（3）针对肺炎检测模型的有效性,利用陆军医科大学附属第一医院提供的1002例临床病例,给出了对比实验、消融实验进行实验分析。本文最终采用的检测模型肺炎检测的准确率达到0.940,并且在灵敏度和特异性方面具有非常平衡的表现。本文提出的方法表明了多模态数据比仅使用图像数据提供了更加充足信息,并且获得了更加准确的结果。