目前，卷积神经网络（CNN）开始应用在肺炎分类领域。针对层数较浅、结构较为简单的卷积网络对肺炎识别的准确率难以提高的情况，采用深度学习方法，并针对采用深度学习方法时常常需要消耗大量的系统资源，导致卷积网络难以在用户端部署的问题，提出一种使用优化的卷积神经网络的分类方法。首先，根据肺炎图像的特征，选择具有良好图像分类性能的AlexNet与InceptionV3模型；然后，利用医学影像特点对层次更深、结构更加复杂的InceptionV3模型进行预训练；最后，通过知识蒸馏的方法，将训练好的"知识"（有效信息）提取到AlexNet模型中，从而实现在减少系统资源占用的同时，提高准确率的效果。实验数据表明，使用知识蒸馏后，AlexNet模型的准确率、特异性与灵敏度分别提高了4.1、7.45、1.97个百分点，且对图像处理器（GPU）占用相比InceptionV3模型减小了51个百分点。