弥漫性肺疾患是指一类在肺部组织中呈现的大面积异常纹理。放射学科专家通过计算机断层扫描(CT)图像对该类纹理进行诊断,但因待筛查图像数量较大、肺部纹理复杂等因素易出现误诊、漏诊风险。因此,研发高精度弥漫性肺疾患纹理识别算法,辅助放射学科专家诊断具有重要意义。现有肺部纹理识别算法未充分利用肺部纹理包含的几何信息,模型特征学习能力有限,识别精度仍有提升空间。针对现有识别算法不足,本文提出两种基于深度学习的弥漫性肺疾患纹理识别算法。首先,考虑在肺部纹理特征学习过程中结合肺部纹理包含的几何信息。通过原始CT图像块逐像素计算Hessian矩阵并提取特征值的方式,预计算出对应几何信息图像块。通过融合表征与几何信息的双路残差网络,以原始CT图像块以及对应几何信息图像块为输入,在学习并融合肺部纹理的表征与几何信息的同时,有效加深网络,提升特征学习能力。几何信息图像块也可以作为放射学科专家后续纹理确认过程的辅助材料。随后,通过对肺部纹理识别问题的深入研究发现,不同类型肺部纹理包含的几何信息具有尺度差异性,对模型不同尺度学习的特征信息的有效融合,同样可以起到学习肺部纹理包含的几何信息的作用。因此提出多尺度注意力网络,以原始CT图像块为输入,通过端到端深层残差网络学习不同尺度特征信息,并通过多尺度特征融合模块对各尺度特征信息进行有效融合。同时,使用注意力机制模块提升各尺度特征信息质量,自动筛选对识别任务有益的特征信息,同时自动抑制与识别任务关系较弱的特征信息。此外,通过网络模块功能可视化验证多尺度特征融合模块以及注意力机制模块功能有效性,提升模型可解释性。为验证本文提出的两种弥漫性肺疾患纹理识别算法的有效性,本文收集大量CT图像训练算法,并进行基于图像块和整幅肺部图像切片的测试,均能达到较高的识别精度。