随着信息技术与多媒体技术迅速发展,图像呈现指数级的增长,如何应对这些图像分类是个亟待解决的问题。现实生活中,一幅图像往往存在多义性,图像分类是典型的多标记问题。另外,在高风险领域,分类失败将导致严重的后果。本文通过把卷积神经网络(Convolutional Neural Networks,CNN)引入归纳一致性预测器学习框架(Inductive Conformal Predictor,ICP),提出MLICP-CNN多标记置信预测模型,能对输出结果附带可校准的置信度评估。最后将MLICP-CNN模型应用于X线胸片多标记诊断问题中,构建X线胸片置信诊断原型系统。总结来说,论文的主要研究内容如下:(1)提出一种基于卷积神经网络与归纳一致性预测器的多标记学习模型MLICP-CNN。该模型包括基于CNN的训练集推理规则抽取阶段和基于ICP的多标记置信预测阶段,能充分利用CNN进行样本特征的自动、多层次和多角度提取,又利用ICP具有置信机制和时间复杂度低特性,来解决多标记图像分类置信问题,使得预测结果能够被置信度所校准。(2)设计了符合MLICP-CNN学习框架的奇异值函数,提出IO-MLICP-CNN与LS-MLICP-CNN两种算法。并通过标准多标记数据集验证和对比了两种模型的可校准性、域预测效率及多标记分类效果。(3)将性能较优的LS-MLICP-CNN模型应用于X线胸片置信诊断,构建胸片诊断原型系统,使得该系统能对临床胸片进行预处理、并输出附带置信度评估的多标记诊断结果。另外,还利用CNN产生肺炎热点图,实现有效的辅助病灶区域定位。最后,对本文的工作进行了总结,并对今后的研究工作提出了展望。