本研究探讨了肺炎诊断中的不确定性，提出使用卷积神经网络（CNN）进行监督学习。通过MobileNetV2和ResNet101V2架构，提升了肺炎检测的有效性和稳定性，结果显示MobileNetV2在训练稳定性和过拟合控制方面表现优越。

本研究提出了一种基于奇异值分解的最小二乘法（SVD-LS）框架，通过自监督和迁移学习提取深度特征，实现多类别肺炎的准确诊断，显著降低计算成本，适用于实时医学影像。

本研究提出了一种基于预训练卷积神经网络的肺炎诊断方法，结合三种模型特征，准确率达到93.91%。其中，DenseNet121模型在肺炎检测中表现最佳，准确率高达99.58%。研究表明，深度学习在医学图像分析中具有重要应用价值。