目前,肺炎的诊断手段主要是依靠影像科医生对胸片进行人工判断,但是人工判断对专业水平的要求较高,也容易受到医生个人主观意识和身心状态的影响,尤其在医院环境下的影响更为显著。同时由于胸片二维投影的特点,体内各种脏器重叠,容易导致误判。因此使用一种准确率较高,能自动诊断的应用来辅助医生就拥有了重要的应用场景。本文在基于卷积神经网络最新相关技术的基础上构建了针对胸片图像的肺炎识别模型,主要工作如下:（1）基于改进迁移学习模型与投票分类器的肺炎图像识别首先,本文对迁移学习模型进行了优化,构建了特征分类层。在该分类层中使用了全局平均池化层代替常用的全连接层,使用1ⅹ1尺寸的卷积降维以及不受批量大小限制的组归一化算法等。本文用该结构代替原始迁移学习中的部分结构来输出分类结果,分别以两种大型迁移学习模型为主干,使用有差别的学习率以及Adamax优化器进行训练。本文将前者与原始的迁移学习网络模型进行对比,准确率均有所提高。其次,本文还构建了一个基于概率的投票分类器,将上述模型以及Dense Net-201网络进行联合。经过实验,使用该分类器后,准确率比单个模型要高,达到了98.37%。与常用的基础模型以及其他论文模型对比,准确率分别提高了1.98-13.25%,证明了本文方法的有效性。（2）基于改进Inception V1网络与SENet网络的肺炎图像识别首先,为了实现模型参数量与准确率之间的平衡,本文在Inception V1和SENet网络基础上进行大量改进构建了浅层的Se In＿CNN模型,对比原始的Inception V1模块,增加了新的并行通道,扩大了感受野,同时对激活函数进行了改进等。对比原始的SENet模块,增加了全连接层,嵌入了层归一化算法,优化了激活函数等。本文最后使用了多个评价指标证明了本文模型的有效性,同时将本文模型与多个模型进行对比,参数量更少,准确率更高。其次,本文以进一步降低参数量为方向,并受到跳层连接的启发,在前者基础上构建了Se In Res＿CNN模型,该模型的准确率虽然略低于前者,但参数量仅为前者的20%,从而证明了该模型有效。