近年来,卷积神经网络在医疗领域的应用受到国内外研究人员的广泛关注,但仍面临亟需解决的两个重要难题:首先,当面临复杂的医疗图像处理任务时,堆叠卷积块构建的卷积神经网络无法学习到最具有区分度的独特特征来分类识别复杂的肺部纹理,无关或者冗余特征的存在导致分类性能无法满足医学临床要求。其次,端到端的模式使得深度神经网络通常被认为是无法解释的“黑匣子”,缺乏全面的可解释性很难获得专家医生和患者的信任。本文针对这两个问题进行研究,提出进化型神经网络（Evolutionary Neural Network,Evo NN）来提高网络分类性能,使其可以满足医学临床要求,并使用特征可视化和归因可视化的方式来解释网络的决策过程,使得网络模型的决策过程对人类更透明,增强了深度神经网络的可解释性。Evo NN是一种通过基于进化算法的网络结构搜索算法搜索得到的网络结构,根据不同的搜索目标将网络结构搜索算法应用于特征过滤和结构分离问题得到相应的Evo NN。首先,详细地探究卷积神经网络如何识别特征,然后使用网络结构搜索算法过滤掉卷积神经网络中无关或者冗余的特征并保留最具有区分度的特征,进而得到具备更高分类性能的Evo NN。后续,进一步使用网络结构搜索算法来按照指定类别将卷积神经网络结构进行结构分离,进而得到针对指定类别进行分类识别的结构更简单的Evo NN。最后,在真实的弥漫性肺病数据集进行特征过滤实验,经过特征过滤得到的Evo NN在弥漫性肺病纹理分类识别任务中达到了95.65%的平均分类精度和0.9568的平均F值,实现了在高分辨率CT图像上对弥漫性肺病纹理进行分类识别的最优性能。并且,在公开的CIFAR数据集和真实的弥漫性肺病数据集上进行结构分离实验,实现了按照指定类别对网络结构进行分离成为各自独立的Evo NN,准确率变化幅度在-0.55%～0.55%,属于可以接受范围,通过特征可视化和归因可视化的方式直观地验证了算法的有效性。