肺结核是一种常见的由结核分枝杆菌引发的肺部感染性疾病,严重危害着人类生命健康。随着人工智能技术的迅猛发展,基于人工智能的疾病辅助诊断系统已经在国内外大型医院广泛使用。人工智能技术已成为胸部X光片等医学图像处理的重要手段。因此,研究基于人工智能技术的肺结核疾病辅助诊断十分必要,在减轻医生诊断压力、提高医院应急响应能力等方面具有重要意义。深度卷积神经网络具有强大的图像模式分类能力,已成为图像识别与分类、目标检测等计算机视觉任务的首选解决方案。脉冲神经网络考虑了生物神经元的膜电位变化和脉冲发放过程,采用精确的脉冲定时编码模式进行信息传递和处理,能更接近地描述实际生物神经系统,从而实现信息的高效处理。要实现更强的人工智能,需要更复杂、更精细的类脑计算模型。本文提出了一种深度脉冲卷积神经网络模型,并应用于肺结核疾病的辅助诊断。主要工作如下:（1）结合具有强大图像分类能力的深度卷积神经网络与具有生物可解释性的脉冲神经网络,提出了一种基于深度脉冲卷积神经网络的肺结核图像分类模型。在训练该模型时,采用基于脉冲时间依赖可塑性规则的无监督学习和基于奖励调制脉冲时间依赖可塑性规则的强化学习相结合的方式实现网络突触权值学习。将提出的模型应用于蒙哥马利胸部X光片数据集中进行肺结核诊断,验证该模型的分类性能。同时还分析了模型的一些重要参数对模型分类性能的影响。实验结果表明,所提模型能够对输入的胸部X光片准确分类。（2）应用提出的深度脉冲卷积神经网络模型,设计并开发了一个肺结核疾病辅助诊断系统。该系统能够根据病历的胸部X光片给出该病历是否患有肺结核疾病的预测结果,同时需要用户确认本次预测结果。该系统的特色是能够根据确认的诊断意见进行修正,并重新训练预测模型,持续提升模型的预测准确率,增强对肺结核诊断的效果。该系统操作简单,在肺结核疾病辅助诊断方面给予医生帮助,具有一定的实用价值。