随着科学技术的进一步革新,基于深度学习的计算机视觉技术飞速发展,其成功的应用到了各个领域。特别是在医学图像处理领域中,基于深度学习构建的计算机辅助诊断系统具有极强的特征提取和识别能力,已经有效应用在常见的医学影像诊断中,如X-射线成像（X-CT）、核磁共振成像（MRI）、核医学成像（NMI）和超声波成像（UI）。其中X-射线成像技术具有经济和快捷的优势,是筛查发现气胸、肺炎和肺结核等多种常见胸腔内疾病的主要手段。而现有的计算机辅助诊断技术在多分类胸腔病变检测任务中存在识别精度低、泛化能力较差和深度学习网络特征提取存在冗余等问题。故本文围绕以上问题展开研究,提出一种高精度级联胸腔病变辅助诊断模型Hybrid-Net。本文主要研究工作和贡献分为三个部分。第一,针对胸腔X射线图像特征提取问题改进的YOLOv5模型。针对X射线胸腔内病变图像的视觉特征较难提取的问题,本文对YOLOv5网络进行一系列优化和改进。（1）针对原始病变图像存在视觉特征上组织影像清晰度低,组织结构或细微细节的边缘锐利程度低的问题,本文使用非锐化掩蔽方法,增强图像的高频部分的内容,提升原始图像数据的视觉效果。（2）针对模型特征提取时,图像中的冗余特征问题,本文在YOLOv5网络中引入动态多尺度卷积、非对称卷积和深度多模态交互的注意力机制。其在保证计算复杂度相对不变,提升网络全局性感知和特征提取能力。有效避免图像冗余特征计算,增强局部信息的互补性,减少下采样过程中的特征损失。第二,提出基于M-DropBlock的卷积神经网络正则化。为克服胸腔X光图像病变检测因病变特征复杂,而造成致模型识别精度低,泛化能力差的问题。本文提出MDropBlock正则化方法,并应用在基于YOLOv5的混合检测模型。M-DropBlock正则化方法通过建立基于马尔科夫链状态选择的特征点失活算法,有效避免在使用传统DropBlock正则化方法时,同一特征区域可能连续多次失活,区域内特征无法被神经网络充分提取而导致特征信息丢失,识别精度无法有效提升的问题。第三,提出级联病变判别器。为进一步提高网络识别精度,在此前目标检测网络的改进基础上提出一种基于Ada Boost集成学习算法病变判别器,其主要是通过独立训练的Res Net50构建病变分类器,并使其单独判定来自YOLOv5检测出的病变区域,输出独立判定的病变类型;其后使用Ada Boost算法综合YOLOv5模型和Res Net50模型输出的预测结果,形成级联判定,有效的提升了网络的识别精度。经实验验证,本文改进的YOLOv5模型在Chest X-ray Abnormalities Detection数据集上表现良好,m AP性能指标相较于YOLOv5、Efficient Det和Fast R-CNN分别高出0.018、0.028、0.037;识别精度分别高出YOLOv5、Efficient Det和Fast R-CNN模型0.037、0.046、0.052;召回率分别高出YOLOv5、Efficient Det和Fast R-CNN模型0.06、0.067、0.182。本文提出的级联目标检测模型Herbie-Net又将该数据集的识别精度提升到0.562。实验证明,本文提出的一系列针对胸腔病变目标检测改进方法可行且有效。