根据世界卫生组织报告显示,全世界因为肺炎而导致儿童死亡的人数相比于其他疾病导致儿童死亡的人数较多,因此肺炎一直被认为是儿童病死的主要原因之一。如果不进行及时的诊断与治疗,将会对患者带来很大的影响,甚至危及患者的生命。通过X线图像的诊断是判断患者是否患有肺炎的比较重要的依据之一。然而许多地区的专业的放射科医生数量却比较少,通过计算机的肺部X线图像处理及其识别技术来辅助医生诊断便有着比较重要的意义,可以帮助医生更快速地进行诊断,从而提高诊断效率,减少延误诊断的情况发生。为了解决这一问题,本文对肺部X线图像进行了研究,并主要进行了以下三方面的工作:肺部X线图像的数据分析及其预处理,肺部图像的传统特征提取及其分类,肺部图像的基于深度学习的特征提取及其分类。肺部图像的数据分析及其预处理主要是统计了所有肺部图片的基本指标,并进行了其直方图的计算,并根据分析之后的特点对数据进行了数据的预处理,对肺部图像进行了直方图均衡化,从而提升了图像的对比度,从而便于后续进行图像的分割操作。在图像增强工作完成后,本文通过Otsu算法确定了最佳阈值对增强后的图片进行了阈值分割,从而提取到了只包含肺部区域的图片。肺部图像的传统特征的提取及其分类则主要是提取了图像的HOG(Histogram of Oriented Gradient)特征,LBP(Local Binary Pattern)特征以及灰度共生矩阵特征。同时,本文通过多个特征的结合,形成融合特征,并采用了支持向量机和随机森林进行了特征分类。结果表明通过本文的特征融合的方式相对于单一特征作为分类特征来说效果较好。肺部图像的基于深度学习的方法的特征提取及其分类则主要是通过利用迁移学习的思路,将在自然图像中分类效果较好的卷积神经网络迁移应用到了本文的肺炎识别中。通过加入了特征微调层来达到迁移学习的目的,并比较了三种网络的分类精度,结果发现GoogleNet Inceptionv3网络通过本文的迁移后效果最好,并验证了迁移后的卷积神经网络的特征提取效果,同时为了可以更好地对所搭建的深度学习模型进行了可解释性分析,通过了基于类激活图的方法和基于遮挡图的方法对模型进行了可解释性分析,并对分析结果进行了可视化。