近年来,医学图像处理已经成为计算机视觉领域的研究热点。肺炎影像类型判别目前主要依靠医生的经验,医院需要设置专门的科室和人员进行判断,这样费时费力,而且一些肺炎的CT影像极为近似,医生容易判别错误,造成误诊。通过实验发现传统的图像处理方法对肺炎分类识别率偏低。主要是人为选取图像特征,并不能精准的代表目标。深度学习是近几年来机器学习领域非常热门的方向,卷积神经网络作为深度学习的代表性网络,有自主学习特征的能力,且具有位移、缩放和扭曲不变性。可以通过大量有标签的肺炎类型数据训练卷积神经网络,自主学习肺炎类型的特征,对肺炎类型进行判别。卷积神经网络算法虽然有很多优点,但是也存在一些问题,容易产生过拟合现象,为此本文在不影响正确率的前提下,对卷积神经网络分类算法进行了改进。该算法结构由3个卷积层、3个亚采样层及1个完全连接层组成,并且对卷积层进行了Dropout方法和弹性梯度下降处理。实验证明,该方案较现在普遍研究的识别算法,如Adaboost算法和SVM算法具有更高的识别率和准确度,并且改进的卷积神经网络在训练数据时防止了过拟合现象的产生。改进后的算法由于需要多次迭代训练,训练时间较长,但用弹性梯度下降优化后,也相对减少了神经网络的收敛时间。