气管支气管结核（Endobronchial Tuberculosis,EBTB）是肺结核的一种特殊类型。在欠发达地区,医生往往没有足够的临床经验对EBTB做出正确的诊断,导致出现早期漏诊误诊的情况,进而加重病情,严重影响患者的生活质量。近年来,虽然AI技术广泛用于临床疾病诊断,但目前尚无针对EBTB的辅助诊断研究。因此,本文建立了世界上首个EBTB数据集,开发了基于卷积神经网络（Convolutional Neural Network,CNN）的EBTB辅助诊断系统,填补了EBTB智能诊断的领域空白,在疾病的早期预防和治疗方面有着重大意义。本文构建了世界上首个EBTB标准数据集,共20469张EBTB图像,其中正常图像18161张,炎症浸润型（I型）453张,溃疡坏死型（II型）1275张,肉芽增殖型（III型）580张,所有图像均由有15年以上临床经验的主任医生筛选和标注。为了提高EBTB辅助诊断的实时性和准确性,本文基于MobilenetV2网络,采用迁移学习策略训练得到两个模型Mobilenet-NP和Mobilenet-TC,分别是正常和病变图像二分类模型和病变分型的三分类模型。实验结果显示,MobilenetNP模型准确度89.37%,图像检测速度0.023秒,Mobilenet-TC模型对于EBTB各分型的准确度均高于80%,达到主治医生诊断标准。在Mobilenet-TC进行病变分型时,由于EBTB II型与III型类间特征差距不明显,易将III型病灶识别为II型,针对此问题,本文提出了一种基于位置嵌入注意力机制的CNN改进算法。在Mobilenet-TC网络中加入位置嵌入功能块,将通道注意力分解为两个并行的一维特征编码过程,有效地将空间注意力整合到生成的注意力矩阵中。实验结果显示,此方法将III型准确率从83.2%提高到了90.8%。考虑到注意力机制引入对分类准确率有提升作用,将该机制也引入到正常和病变图像二分类模型Mobilenet-NP中,实验结果表明,二分类敏感度由之前的85.03%提高到88.57%。最后研制了一套能够进行支气管镜检查的EBTB辅助诊断系统。系统界面会同步显示支气管镜主机的视频流,医生通过医学脚踏采集的图像会实时传入本系统并实现EBTB病变的智能检测。本系统的临床使用能够减少医生工作量,放到了欠发达地区医院,可以大大提高EBTB检出率,做到EBTB的早发现早治疗。