肺炎是临床上最常见的感染性疾病之一,由于其发病期短,成因复杂,年龄在5岁以下的儿童范围中,每年全球因肺炎相关疾病而死亡的数量逾八十万,因而肺炎的早期识别对病情的诊断和后期治疗有着十分重要的作用。X线检查以其在辐射性、价格和实用性等方面的优点一直被广泛应用于各地区的影像检查中,大部分的胸部病灶信息均可通过观察X线胸片得出。然而,X线胸片影像存在着一些不足,比如图像分辨率低,图像中各器官重叠交叉,导致真正病变位置容易被覆盖,难以分辨,医师容易误诊误判,加大了诊断的难度,因此,有关肺部疾病的计算机辅助诊断已经成为近几年医学领域研究的重要课题之一。本文的主要研究内容为基于卷积神经网络的肺炎识别与研究。围绕这个内容,主要开展了以下工作:(1)基于卷积神经网络(CNN)的肺炎分割首先对X线胸片图像进行了预处理,经过滤波操作和高斯-拉普拉斯金字塔增强算法处理后,图像的平均对比度比原图像对应指标有较大提升。其次针对X线胸片图像分割中存在的一些难点,结合深度学习的相关技术,提出了一种基于CNN的肺炎分割方法,该方法是一种利用肺区超像素图像块进行特征提取,利用这种基于像素分割的卷积神经网络模型对X线胸片进行密集分割。本文通过改进一个具有多参数的全连接层,将其转换为卷积窗口为1*1的卷积核,促使网络高效地进行逐区块的训练,从而提升网络训练的收敛性。通过对传统的Ostu分割算法、一般CNN算法和改进的CNN分割算法之间的对比,实验结果显示,前两种方法分割出的肺炎轮廓,由于受到肋骨区域的细微影响,平均Dice系数只有0.792和0.893,而本文的方法准确地分割出了肺炎的轮廓,分割性能指标Dice系数达到0.948。(2)基于卷积神经网络(CNN)的肺炎识别肺炎识别部分首先简单介绍了肺炎识别的技术路线,网络训练的一般过程,然后采用经典的VGG-16网络对未扩增的数据集进行训练,得出初步的实验结果,本文使用敏感度、特异度和准确率等评估指标来评估模型的性能。其次结合深度学习的特点进行了以下改进:包括对网络结构的优化,改变网络层数,减少卷积层数,微调网络训练中prototxt文件的超参数,从而提高网络模型的收敛速度和泛化能力。最后,对扩增的数据集进行了3-fold交叉验证,并且与以往其它方法进行了实验结果分析与对比,结果显示本文提出的VGG-9-LRN模型识别的效果优于文中所列出的其它肺炎识别算法,识别准确率可以达到96.3%。