新冠肺炎的爆发给日常生活各个方面都带来了巨大的影响,该疾病已经成为人类历史上导致死亡人数最多的流行病之一。目前新冠肺炎的检测主要是通过核酸检测法来完成,虽然这种检测方法耗时较短,但是需要多次检测才能确保核酸结果的准确性,给防疫工作提出了很大的挑战。本文提出了一种根据肺部CT图像来检测新冠肺炎的方法。医学CT图像因为其检测结果灵敏度高、操作步骤简单和对人体无创伤等优点,一直都广泛应用于医学领域,医务人员可以借助它清晰地观察器官病变部位。而本文尝试将分形理论应用于肺部CT图像的分析中,从而准确地识别出患有新冠肺炎的患者。在图像预处理过程中对肺部图像进行肺实质分割和Haar小波变换。新冠肺炎的病变位置主要发生在肺实质部分,故将肺实质部分单独提取出来进行分析能够大幅度提高分类准确率,然后通过分形特征参数描述肺部CT图像的纹理特征。为了提高分类的精准度,本文引入了小波变换和灰度共生矩阵,灰度共生矩阵方法能够定量分析图像纹理,小波变换可以根据频率的不同将一幅图像分割成不同的子图,有助于从图像中提取更多的信息。在特征选择和模型训练过程中,本研究分别使用了随机森林算法和贝叶斯优化。随机森林特征选择主要是为了降低特征之间的冗余,把不显著的特征变量剔除,消除特征之间的相关性。而采用贝叶斯优化可以寻找各模型的最优参数。经过比较发现集成学习的模型效果最佳,在加入分形特征之后随机森林模型在测试集上的分类精确率是93.2%,Lightgbm模型的精确率是94.1%。最后应用Stacking模型将表现较好的单模型融合在一起,在测试集上的分类精确率达到了95.0%。本文提出的方法可以很好地识别肺部CT图像,利用肺部图像可以快速判断患者是否患有新冠肺炎,在疾病检测中具有重要的意义。在实际应用中,可以作为配合咽拭子检测的辅助手段,提高结果的准确性,降低风险。此外,该方法还可以作为一种客观的辅助诊断方法应用于其他肺部疾病和其他医学软组织疾病的检测,减少误诊的概率。