近年来,深度学习技术推动了计算机辅助诊断在医学影像分析领域的快速发展。与传统基于人工设计的特征提取算法比较,深度学习方法在图像分类,检测和分割等任务方面的性能显著提高,有效地解决了许多医学图像分析问题。胸部具有良好的天然对比,适用胸部X线检查。胸部X线图像具有非常丰富的影像学信息,放射科医生必须严格、仔细的审查每一个细节。此外,随着人们越来越重视健康,每年都定期做一次胸部X线体检,这使得放射科医生任务过重。由于大量胸片的堆积,那些患有气胸等危重疾病的患者就可能长时间的列表等待,从而延误病情。同时,医生工作时间较长,造成精力不足,可能影响疾病的诊断。因此,对气胸的准确诊断和定量分析是放射科诊断医生艰巨且紧急的任务。本文主要研究基于深度学习方法的智能X线气胸的精准定量评估。实现气胸的定量评估首先要准确的检测出气胸。由于气胸的形状、大小以及位置信息变化大,还可能与胸片上其他组织重叠,使得气胸的检测非常困难。因此,本文提出了一种结合密集卷积网络与梯度加权类激活映射的方法用于X线气胸的检测与定位。密集卷积网络具备网络较深、能够融合浅层与深层特征进行分类的优势,而梯度加权类激活映射算法能可视化卷积网络,将两者结合起来能更好的检测气胸以及定位气胸。其次,对于气胸检测网络判定为气胸的图像,对其做精确地分割,是实现气胸大小评估的关键步骤。气胸的分割任务非常具有挑战性,不仅要考虑到气胸的多变性,还要精确的分割每一个像素点。因此,本文采用全卷积多尺度scSE-DenseNet方法用于像素级别的气胸分割。该方法具有较少的学习参数,时间成本低,且能够在不增加太多参数的情况下自适应地重新校准特征映射,抑制无用的特征并增强有用的特征。最后,根据气胸的分割结果,采用胸膜间距离度量法,计算出气胸的大小。本文为X线气胸的智能定量评估做出了实质性的改进,有望成为临床应用的气胸定量工具。