X光胸片是肺部疾病影像学检查的常用手段,且是体检中的必检项目之一。对胸片进行诊断时,长时间、高负荷的工作以及人为主观因素的干扰可能会影响诊断精度。此外我国存在有发达地区医院接诊压力大、欠发达地区医院诊断精度低的现状。因此高效智能的辅助诊断方法成为目前急需研究的课题之一。目前该领域的研究主要集中在基于深度学习算法对单一疾病有无的诊断技术,对多种疾病同时进行诊断的算法研究仍然较少。本文针对X光胸片智能辅助诊断开展研究,重点研究用于多疾病分类的细粒度分类算法,在循环注意卷积神经网络(Recurrent Attention Convolutional Neural Network,RACNN)的基础上提出了SERes-RACNN网络,此外还对疾病的病灶区进行了可视化,最终在胸片数据集上实现了一套能够对肺不张、肺气肿、肺淤血、气胸、心影增大、胸腔积液、炎症与渗出、正常这八个类别进行诊断分类且同时能够进行病灶区可视化的辅助诊断算法。本文的主要工作和贡献如下:(1)针对传统分类算法分类精度不高的问题,将胸片疾病诊断分类视为细粒度分类,并提出了SERes-RACNN网络,使其在X光胸片疾病分类中8个类别的平均AUC(Area Under Curve)为0.9004,较传统方法提高了1.97%。(2)针对医疗数据集泛化性能较低的问题,改进了模型训练策略及优化策略,通过对增大批尺寸、进行损失函数加权以及模型融合三个方法来加速收敛、防止过拟合和提升泛化精度。最终将AUC进一步提升至0.9114。(3)针对现有算法反馈单一的问题,通过梯度类别激活映射(Grad-Class Activation Mapping,Grad-CAM)对胸片的多分类结果进行了可视化,其可视化结果以热力图的形式呈现,最终通过设定掩膜阈值的方法将病灶区域进行分割,并实现了病灶区掩膜的自动生成。本文在X光胸片数据集上的疾病分类取得了预期的效果,且成功实现了多疾病分类的病灶区可视化。这将有利于缓解医院的接诊压力、节约医疗资源、提升诊断精确度,并对今后实现智慧医疗和远程医疗诊断有着一定的现实意义。