Ứng dụng học máy vào chẩn đoán viêm phổi từ ảnh X-quang là một bài toán quan trọng và thách thức. Trong nghiên cứu này, chúng tôi đề xuất một phương pháp kết hợp đặc trưng nhằm khai thác hiệu quả cả đặc trưng học sâu và đặc trưng thủ công. Tất cả các đặc trưng sau đó được giảm chiều bằng PCA và kết hợp thông qua cơ chế Gated Fusion để học biểu diễn đặc trưng. Các đặc trưng hợp nhất sau đó được sử dụng làm đầu vào cho các bộ phân lớp như KNN, hồi quy Logistic (LR) và MLP để học dự đoán. Kết quả thực nghiệm cho thấy hiệu quả dự đoán dựa trên đặc trưng được kết hợp bằng phương pháp đề xuất vượt trội đáng kể so với chỉ dựa trên đặc trưng học sâu hoặc đặc trưng thủ công. Cụ thể trên tập đặc trưng hợp nhất, bộ phân lớp KNN cho kết quả tốt nhất với độ chính xác 94.39% và F1-score 95.59%, LR cho kết quả gần tương đương 94.23% và 95.47%, trong khi MLP cũng đạt kết quả 93.59% và 95.02% tương ứng.