深度学习因具有自动提取图像特征的优势,在医学影像AI技术领域受到广泛关注和应用。CT肺结节、肺炎等影像AI技术已进入临床,较好发挥辅助诊断作用,减轻影像医生工作强度。然而X线胸片因其特征复杂,疾病种类多,比一般医学图像标注要求高、难度大,很难获取大量高质量的标签数据,至今X线胸片AI技术尚未成熟。针对X线胸片高质量样本缺乏问题,本文着重开展半监督下X线胸片疾病分类方法研究,主要工作如下:1、针对DICOM图像传统调窗对比度不高、图像细节模糊问题,提出一种DICOM图像优化调窗方法,即采用优化调窗CNN模型,根据任务需求自适应生成优化窗宽窗位参数,并根据其参数分布,生成多幅不同对比度的调窗后图像,用于增强X线胸片疾病分类任务输入信号。实例表明,该方法生成的多幅不同对比度图像能够突出病灶特征,提高X线胸片疾病多标签分类模型的精度。2、针对Self-Training、3 Class Classification算法处理不确定标签导致分类精度降低问题,提出采用改进伪标签算法（U-P）和改进Πmodel算法（U-Π）处理不确定标签,即在原半监督算法基础上改进无标签计算方式应用至不确定标签,并使用加入通道注意力机制的Dense Net作为分类网络模型,增强模型对特征的提取能力,用于含不确定标签数据集的X线胸片疾病分类。实例表明,与SelfTraining、3 Class Classification算法相比,U-P、U-Π算法处理不确定标签,在X线胸片疾病分类上达到了更高AUC。3、针对X线胸片高质量标注数据获取难导致小样本过拟合问题,提出一种基于Mean Teacher的X线胸片疾病半监督多标签分类方法,即在Mean Teacher基础上,在输入端加入前述的DICOM图像优化调窗方法增强输入。实例表明,与伪标签、Πmodel算法和单纯Mean Teacher半监督分类算法相比,该方法拥有更好分类性能,在训练集仅有标签样本量50%的情况下取得0.955的平均分类AUC。