胸肺疾病作为三大致命性疾病之一,一直以来严重威胁着人类的生命健康。随着医学影像的爆发式增长,影像科医生的压力越来越大。众多研究者致力于研究针对直接数字化X射线胸部医学影像的胸肺疾病智能诊断系统,用于提升胸肺疾病的诊断准确率和诊断效率,减轻医生压力。凭借自适应学习数据的本质特征,有效规避人工提取特征的局限性,深度学习在众多的计算机视觉任务例如分类、检测和语义分割中都表现出优异性能,其在胸肺疾病识别研究也取得了不错的成绩。然而这些研究大都关注着胸肺疾病的识别性能,未考虑到实际应用中不仅需要对影像进行疾病识别,还要能准确地定位出疾病病灶。而受限于医学图像定位标签的稀缺性,已有方案往往无法设计实现基于检测模型的疾病诊断系统。为解决上述问题,本文提出一个基于空间注意力引导的深度学习胸肺疾病识别和弱监督定位方法。首先,为实现胸肺疾病的弱监督定位,本文结合多示例学习思想,设计了聚合显著性图中最大T%响应值与最小T%响应值的Top T%空间池化层来连接特征提取模块与分类器,使模型仅需要图像级别标签即可定位病灶。其次,为提高胸肺疾病的识别性能,本文提出基于显著性图的弱监督感兴趣区域提取操作,将由全局模型提取的感兴趣目标区域送入局部模型中作进一步疾病识别,通过融合模型将全局模型与局部模型特征表达进行融合,实现模型的联合调优。最后,为有效利用数据集中有限的定位标签框信息,本文提出标签受限的定位损失函数,结合多标签分类损失共同优化模型,进一步提高模型的疾病识别与定位性能。本文基于权威的公开胸片图像数据集ChestX-ray14展开实验验证所提模型方法性能,实现14种胸肺疾病的诊断。与已有相关工作对比结果证明了本文模型方法具有明显优势,达到0.8522的最优平均AUROC指标结果。同时,本文设置了各模块的自证实验,验证各模块的有效性。