伴随着深度学习的发展,尤其是卷积神经网络（Convolutional Neural Networks,CNN）的更新迭代,图像分类及目标检测方法获得了显著进步,但即使是最先进的模型也仅具有非常有限的旋转不变性。当输入数据在空间经过旋转后,由于原始模型的滤波器是在直立样本中打磨学习,因此模型将旋转前后的图像特征视为完全不相同的两类,导致最终的识别效果大幅度下降。已知的解决方法有训练数据的增强,以及通过全局地合并旋转等变特征来增加旋转不变性。这些方法或者增加了训练的工作量,或者增加了模型参数的数量。为解决上述问题,本文中通过引入一个可插入到现有网络中的模块,将旋转不变性直接合并到卷积神经网络的特征提取部分中。该模块不带有可学习参数,不会增加模型的复杂度。同时,仅通过训练未旋转的数据,就可以在旋转的测试集上表现良好。这些优势将适用于生物医学、天文等获取样本困难且目标不带有方向性的领域,以及工业等对成像速度有较高要求的领域。本文主要研究内容包含以下四个部分:1.针对卷积神经网络缺乏旋转不变性的性质,本文通过令卷积前后的特征层满足旋转等变性的方式,最终使整个神经网络的结果具备旋转不变性。经过推演,当旋转角度∈{0,90,180,270}°时,特征编码完全相同;当处于任意旋转角度时,特征编码仅存在较小区别。2.设计基于改进LBP算子的区域旋转层（Regional Rotation Layer,RRL）,以插件形式嵌入到卷积神经网络中,而无需对上下文进行大幅度的修改。邻域像素点的位置与图案的最大LBP描述符相关;实施改进LBP的次数由卷积步长和特征图尺寸所决定,卷积核以滑动窗口在特征层滑动时,每次所覆盖的区域便为执行改进LBP算子的位置。3.插入区域旋转层至现有卷积神经网络中,包括常见的标准卷积结构和被大规模使用的残差结构,以及深度可分离卷积。选择现今在分类任务与目标检测任务中表现较好的骨干网络,融合区域旋转层并探索能发挥最大作用的融合方式。在多种数据集进行推理训练,验证了改进模型的有效性。4.设计并实现了肺炎辅助筛查系统,核心算法模块使用添加区域旋转层的目标检测网络。用户在系统上提交患者肺部的X光片,便可获得病灶的预测区域,以此来辅助诊断。