计算机断层扫描是目前临床上胸部影像学检查最有效的辅助诊断手段之一。然而人工分析CT影像往往对专业知识的要求较高,且对影像特征的分析较为费时费力。利用深度学习进行CT影像的识别与诊断,不仅可以提高诊断的效率,还可以在一定程度上避免误诊和漏诊。本文希望通过深度学习的方法,得到对新冠肺炎CT图像分类效果较好的模型,来帮助临床医生尽早识别、诊断新冠肺炎。本文研究的主要内容是通过对卷积神经网络结构进行改进以及采用迁移学习的方式,来提高对新冠肺炎CT图像分类准确率。在对卷积神经网络进行改进的方式中,本文采用了对卷积神经网络分类层结构进行改进的方式以及在卷积神经网络中嵌入SE模块、CBAM模块的方式。其中对卷积神经网络分类层结构进行改进的实验中Inception V3、Res Net50、Dense Net169三种模型都体现出较好的性能,在对SARS-Co V-2 CT数据集的分类中,准确率上都达到了95%左右,相对于原模型都有所提升。对于在改进后的Res Net50模型中,嵌入了SE模块和CBAM模块,其分类准确率得到了进一步的提升。对于数据量不够充足的情况下,迁移学习往往能体现出更好的学习性能。本文研究了基于卷积神经网络的迁移学习方式在新冠肺炎CT图像分类的效果。其中Inception V3、Res Net50、Dense Net169三种模型微调方式的迁移学习训练准确率达到了97%以上,VGG19模型微调方式的迁移学习训练分类准确率也有91.54%。通过对Inception V3、Res Net50、Dense Net169三种模型进行集成学习,集成模型得到了本文的最佳分类效果,分类准确率为98.59%。针对数据量更小的COVID-CT图像数据集,本文提出了基于微调和特征提取相结合的迁移学习方法,将SARS-Co V-2 CT数据集作为源域进行迁移学习,并与直接从Image Net数据集上微调的迁移学习模型对比,实验结果表明了本方法的有效性。最后本文用Flask框架搭建了新冠肺炎检测系统,对上传的新冠肺炎CT图像进行检测,提供了一种简便快捷的新冠肺炎检测方式。