胸肺疾病一直是影响人类生命健康的罪魁祸首之一,因此人们亟需一款胸部疾病智能诊断系统精确地对医疗影像进行分类识别,这可以大大提升放射科医生的诊断效率,减少诊断压力。近年来,随着深度学习的崛起,更多的研究者投入到深度学习胸部疾病识别检测任务中,并取得了不错的成果。但是,这些研究并没有很好地解决不同胸部疾病之间的多样性和相关性问题,同时数据集中的类别不均衡、数据量标签信息有限以及数据集标签噪声等问题也是影响最终性能的因素。针对上述问题,本文设计了一套基于深度学习的端到端的胸部疾病识别系统,采用最新的SE模块与空间池化模块,从通道与空间的角度选择信息解决胸部疾病多样性和相关性的问题。此外,本文提出了一种批次自适应权重的方法,利用多批次的样本计算类别权重,有效解决数据集类别不均衡的问题,同时避免模型陷入数据集的标签噪声中。本文基于目前最大最具权威性的ChestX-ray14公开数据集进行训练,完成总计14种胸肺疾病的识别分类任务。本文与已有的基于深度学习的相关论文进行了比较,实验结果证明了本文模型算法的优越性,最终性能指标达到了最好的0.8279。同时,本文设置了自对比试验,证明了本文所有方法的有效性。另外,本文设置了人工加噪实验,证明了本文所提出的批次自适应权重创新点的抗噪性能。