近年来,基于深度学习的方法在计算机视觉领域取得了突破性地进展,并被广泛应用于医学图像分析领域。知识图谱与大数据技术、深度学习技术相结合,已经成为推动人工智能发展的核心驱动力。医学知识图谱是实现智慧医疗的基石,有望带来更高效精准的医疗服务。为了将临床医生诊断的经验融入深度学习模型,本文研究了影像特征专业知识图谱。为进一步提高深度学习模型在胸片异常特征分类任务的准确度和可解释性,本文研究基于影像特征专业知识图谱的胸片分类深度学习模型。本文主要研究内容包括以下几点:（1）为了将临床医生诊断的经验融入模型,本文引入了胸片影像特征专业知识图谱,并使用Neo4j数据库构建知识图谱并存储。本文所有实验在一个已经标注的胸部后前位片影像数据集上进行,该数据集根据知识图谱划分13个一级标签,共包含214,195例数据。通过遍历知识图谱来程序化构建实验所需的分类数据集,深度学习网络使用该分类数据集进行训练、验证和测试。（2）为提高深度学习模型的准确度,本文建立了基于Vision Transformer的胸片影像分类模型,该模型先使用Transformer编码器的提取胸片影像特征,再使用Softmax分类器对胸片影像进行二分类。实验结果表明,与其他经典模型相比,该模型的各平均指标提升约0.01～0.02。（3）为进一步研究深度学习模型在多分类任务上的准确性与可解释性,本文引入类特定的残差注意力算法,对Vision Transformer提取的特征矩阵融合所有位置的残差注意力特征,再根据朴素贝叶斯分类算法计算后验概率来对多分类模型的结果进行微调,最终构成了基于知识图谱的自动分类模型。实验结果表明,该预测模型在各平均指标上提升约0.02～0.03。本文所提出的一整套技术流程与算法框架,通过一系列的实验证明其在基于胸片影像特征分类中是切实可行的,为今后提高放射科医生的工作效率提供了一种解决思路。