【目的】针对肺炎识别案例中存在的数据集数量分配不均、数量少、类别间差异小等问题，提出一种基于卷积神经网络判别模块的肺炎识别方法。【方法】首先，将网络骨干设定为预训练的121层DenseNet网络，并冻结相关参数，以迁移学习的方式来解决数据量少的问题，再将网络的中间层定义一组额外的卷积滤波器，通过学习这组滤波器，可以捕获类别之间的高信号区域，而不需要额外的边框注释，以此解决肺炎识别中的类间样本差异小的问题。最后定义网络的损失函数为FocalLoss以解决数据集数量分配不均的问题。【结果】用提出的新方法在Chest-X-Ray Image数据集上进行实验。实验结果显示：该方法的准确率达到了95%，比传统的迁移学习准确率提升了10%，比未进行迁移学习的轻量级卷积神经网络的准确率则普遍提升了20%。【结论】该方法能够针对肺部X光片做出是否患有肺炎的判断，且定位出感染区域。