面对医学影像数据的爆发式增长,而放射科医生严重不足问题,寻求快速且准确的智能诊断方式是国内外研究人员不懈努力的方向。随着近年来计算机视觉技术在图像分类、目标检测和图像分割等领域取得的显著进展,促进了疾病分类、病灶部位的检测与分割以及图像标注等医学图像处理领域的发展。这使得计算机胸片辅助诊断（Computer Aided Diagnosis,CAD）系统成为了临床影像学研究的热点之一,并逐步走向了医疗临床应用。胸腔疾病是世界上最常见的疾病之一,其中肺癌更是世界范围内死亡率排名第三的疾病。此外,气胸、积液、浸润等异常也是某些较为严重病灶的早期征兆,尽早对这些异常或病灶进行检测、及时治疗,能预防其他较为严重的胸部疾病并有效降低死亡率。因此将计算机视觉与医学临床应用结合,开展胸腔病灶辅助诊断系统的研究具有很重要的实践意义。胸透片是目前诊断胸部疾病最佳方法,与CT检查和超声检查相比,胸透片成本更低、辐射量更低,且操作更加快捷方便,所以通常用于初步的胸部疾病检查阶段,应用最为广泛,可以检查肺癌、肺结核、肺炎等病理。虽然现代医院获取并储备了大批的X线影像与诊断报告,但基于这些影像大数据分析所建立的高精度计算机辅助检查诊断系统还面临着如下挑战:一是X线图像中部分胸腔疾病的特征往往是模糊不清的,出现了容易受到较厚软组织干扰而造成不透明度增强的现象,这会将一些比较严重的疾病和其它良性异常混淆,造成误诊;二是即使同一种疾病在不同患者X光片上的特征表现也有较大差异,这会加大网络的学习难度;其次,用于模型训练的细粒度像素级注释不足,全局的X线图像冗余特征较多,部分非病灶区域对于专业放射科医生的诊断并没有帮助;此外,现存的机器学习算法难以获得病灶区域的定位,导致临床实用价值不高。针对上述挑战,本文提出了将图像配准技术、图像分割技术与图像分类技术相结合的AC-DSENet模型,用其对胸腔14种病灶进行分类。为解决X线图像病灶特征模糊,易与良性异常混淆的问题,提出密集挤压激励网络,通过将挤压激励模块与密集连接块结合,让分类网络能够高度地关注X线图像特征图不同通道的重要程度,从而在网络中增强有用信息的表达并抑制无用信息的传递,以此来增强网络对胸部疾病的分类性能。为解决不同患者胸腔病灶的胸片表现差异大,对于特征复杂疾病分类不准确的问题,提出用焦点损失函数代替传统多标签分类任务所采用的二元交叉熵损失函数计算每种病灶类别的损失,通过引入超参数将难识别的病灶乘以一个较大的权重,易识别的病灶乘以一个较小的权重,让网络更加关注对复杂病灶种类的学习。为解决全局的X线图像冗余特征较多的问题,提出在图像预处理阶段将图像配准算法应用于多图谱分割,实现分类数据集的自动分割,只保留胸腔X光片的心脏与两肺叶的病灶区域,使用分割后的图像进行分类网络训练从而抑制对冗余特征的学习,提高了分类网络的训练速度与效率。除此之外,将疾病的分类结果以直观的热力图形式输出,高亮病灶区域为提示专业医师对该区域进行重点观察,达到辅助诊断的作用,增加了AC-DSENet模型的临床实用价值。在ChestX-ray14数据集上进行实验验证,结果表明,在14种胸腔病灶的分类任务中,AC-DSENet的分类精度显著高于现存的3种经典分类算法,平均AUC值达到了0.858。并通过添加分割约束,有效的减少了数据训练过程中学习到的冗余特征,将分类网络的训练时长缩短了39.8%。与此同时,本文还将模型诊断的病灶区域进行定位,实现可视化展示,满足了辅助医生诊断的实际需求。