La bronquiectasia se define como una dilatación permanente de los bronquios que puede causar disfunción en la ventilación pulmonar. El examen de TC es un medio importante para diagnosticar la bronquiectasia. También puede ser utilizado en la puntuación de gravedad. Los estudios actuales sobre la bronquiectasia se han centrado en la TC de alta resolución (HRCT), ignorando la más común TC de baja dosis (LDCT). Metodológicamente, los estudios existentes no han adoptado un estándar autoritario para clasificar la gravedad de la bronquiectasia. De hecho, la precisión de la detección y clasificación necesita ser mejorada para su aplicación práctica. En este documento, se propusieron el método de mejora de imagen ACER, el método de segmentación de lóbulo pulmonar RDU-Net y el modelo HDC Mask R-CNN para detectar y clasificar la bronquiectasia. Además, se desarrolló un sistema basado en Python: después de ingresar una imagen LDCT del pulmón de un paciente, puede realizar automáticamente una serie de procesamientos, luego llamar al modelo de aprendizaje profundo entrenado para la detección y clasificación, y obtener automáticamente la puntuación final de bronquiectasia del paciente de acuerdo con los criterios de puntuación de Reiff y BRICS. En este documento, se estableció la relación de mapeo entre los datos originales de la imagen de TC pulmonar y el sistema de puntuación de bronquiectasia. La precisión del método propuesto en este documento fue del 91.4%; la IOU, sensibilidad y especificidad fueron del 88.8%, 88.6% y 85.4%, respectivamente; y la velocidad de reconocimiento de una imagen fue de aproximadamente 1 s. En comparación con un médico humano, el sistema puede procesar grandes cantidades de datos simultáneamente, rápidamente y eficientemente, con la misma precisión de juicio que un médico humano. Los médicos solo necesitan juzgar los casos inciertos, lo que reduce significativamente la carga de trabajo de los médicos y proporciona una referencia útil para diagnosticar la enfermedad.