利用现代人工智能、互联网和通信技术促进先进医疗技术造福人类是科技、医疗领域研究者们不断探索和研究的热点之一。随着科技信息的发展,数字化X射线摄影(DR)医疗设备在国内外已基本普及,普通大众利用DR设备进行疾病检查趋于平常。但是,目前国内医疗资源分配极不平衡,顶尖的、经验丰富的内科医师往往都集中在经济较为发达的城市地区工作。偏远、基层区域即使拥有了DR设备往往也还缺少专业、高水平的医师。本论文工作的目的就是希望能部分解决这种困境,为提高贫困地区的医疗水平做出一点微薄的贡献。本论文设计了一个数字化X射线摄影的辅助诊断系统。在此诊断系统平台上实现了DR设备拍摄的胸部X光片的质量控制、胸部X光片的算法的自动诊断,使得胸片诊断不再受地域、专业人员的限制,实现DR设备智能化目的。本论文工作主要分为四个部分,由胸部X光片质量控制、基于弱监督学习的诊断算法设计、基于强监督学习的诊断算法的设计和远程诊断平台的搭建组成。在胸部X光片质量控制中包括了对比度异常滤除、噪声异常滤除、像素分布稀疏异常滤除。基于弱监督学习的诊断算法设计包括经典的池化函数的介绍、经典的池化函数存在的问题的分析、新颖的池化算法Probabilistic-CAM Pooling的提出,实验结果分析等。基于强监督学习的诊断算法设计主要包括网络框架的设计、损失函数的设计、特征图精炼模块的设计以及评估参数的选择和实验结果的分析对比。从而并初步实现了胸部X光片的辅助诊断算法。本论文的创新点如下:(1)针对胸部X光片存在的问题提出了特定的质量控制算法,在高年资医生的指导下制定的算法指标阈值能够完全符合临床真实场景的筛选要求。(2)在弱监督诊断算法的设计中,提出了新颖的全局池化算法(Probabilistic-CAM Pooling)。利用该算法改进了传统的CAM算法、提出了Probabilistic-CAM算法。这些操作减善了在弱监督学习时病灶定位时出现的局部假阳性较多的情况(此算法于2019年10月斯坦福大学Chexpert竞赛中排名第2)。(3)在强监督的诊断算法的设计中,提出了适用于此特定场景的针对多种疾病的病灶定位的神经网络模型,并根据具体任务提出了改进的损失函数。经计算验证在公认的性能指标上证明了其优越性。