2019年底开始流行的新型冠状病毒所具备的传染性强和持续变异的特性,导致新冠肺炎的感染和死亡人数不断攀升。临床上X光胸片是甄别新冠肺炎确诊患者的重要依据。采用深度神经网络对X光胸片进行新冠肺炎自动识别,可辅助医生提高甄别新冠肺炎患者的效率与准确率。现有的新冠胸片识别神经网络大都是手动构建的深度卷积神经网络。一方面,新冠患者与健康人体的胸片间差异较细微,甄别难度较大。仅采用卷积来提取局部特征的卷积神经架构在新冠识别性能上还有提升空间。另一方面,手工设计的新冠胸片识别网络,在病毒变异导致新冠X光胸片数据集变化以及在算力受限的移动端等设备上部署时,通常需要手工进行架构的针对性调整,以优化性能并降低运算量。由于架构堆叠深度、通道宽度等众多架构超参数的爆炸性组合使得手工架构调优极为繁琐耗时,往往超出相关人员的精力极限。将神经架构搜索技术应用于新冠肺炎胸片识别,可将该任务上繁琐的神经架构调参工作自动化。然而,频繁的架构训练与性能评估导致当前神经架构搜索的时间成本比较高。本文主要设计了新冠肺炎胸片识别网络的高效多目标神经架构搜索方法,降低了手工调参工作量,高效地自动搜索兼顾模型性能与大小的优秀新冠肺炎胸片识别神经架构。本文的研究工作包括:（1）本文设计了结合卷积与Transformer的新冠胸片识别超网OCNet-TRM（Once COVID-19 Network with Transformer）。OCNet-TRM包含固定组件与动态组件。在固定组件中构建了视觉Rel-Transformer模块与二维卷积注意力模块以提升在新冠胸片上架构的宏观全局特征和高层语义信息提炼能力,设计了多层平滑全连接模块来缓解特征在前向传播过程的损失。动态组件采用了弹性OFA卷积模块作为候选架构搜索空间,本文针对性设计了可调整深度、宽度、核尺寸的候选架构弹性编码方案以灵活搜索不同的子网架构。进一步设计了超网权重共享加速策略,通过精准继承一次性训练好的超网固定组件和动态组件的权重避免了频繁耗时的子网训练,加速架构的性能评估。（2）本文设计了新冠胸片识别神经架构的分布式多目标锥面积进化搜索算法DCAEA（Distributed Conical Area Evolutionary Algorithm）。DCAEA采用锥面积进化算法平衡架构的新冠敏感度与参数量两个优化目标,以便自动生成适合不同算力部署设备的多个不同大小的优秀新冠胸片识别候选架构。同时为DCAEA设计了异步主从岛屿并行策略,协同利用多GPU并行评价架构,进一步降低架构的搜索时间成本。（3）本文在Covidx4和COVID-19 radiography v3两个新冠X光胸片数据集进行了对比实验。实验结果表明本文方法搜索到的OCNet-TRM-B网络比已有手工设计的新冠胸片识别网络COVIDNet-CXR4-A在精确度上高出约4%,而参数量却仅约为其1/7。本文架构搜索方法与其它两种搜索方法相比,在搜索时间和识别性能上也有明显优势。