深度学习在自然语言处理、图像识别领域的应用日益丰富。近年来,大量的研究涉及了医学影像的自动识别与辅助诊断。医学影像的识别成为了深度学习从计算机领域向医学领域延伸的热点和切入点。利用深度学习进行医疗影像的识别与检测,不仅从很大程度上能够缓解医疗资源的紧张,同时还可以避免人为因素导致的误诊、漏诊现象。尤其是在疾病爆发阶段,在面对大量医学影像时,利用计算机辅助医生进行医学图像的诊断,能够大幅提高诊断效率。在新冠肺炎疫情爆发的背景下,大量研究人员尝试从肺部CT图像、X光等新冠肺炎相关的医学影像出发,抓取其中新冠肺炎症状的图像特征,帮助医生进行新冠肺炎的诊断,以缓解医疗资源紧张的问题。目前,利用深度学习进行新冠肺炎CT图像的识别任务当中,存在如下几个难点导致现有模型并不能真正意义上胜任这一任务:（1）医学影像的特征不同于普通图像,难以进行特征的抓取。在肺部计算机断层图像中,除了肺部组织之外,还包括肌肉、骨骼等多种组织,让机器学习包含这些组织的原始图像时,容易造成模型的关注点转移到这些组织上,从而导致识别的准确率难以提升;（2）模型种类多,模型对不同特征的把握程度有很大差异,分类的准确度有很大的差异性和不稳定性,并且对于现有研究来说,整体效果不佳;（3）医学专家利用人工对图像的标注十分耗费时间,而卷积神经网络的输出仅仅是概率标签,缺少对病灶坐标的标注。针对上述问题,本文在新冠肺炎诊断和CT图像中磨玻璃影检测方向进行了研究,具体贡献如下:（1）搜集整理了新冠肺炎计算机断层图像数据,并针对图像的特点,利用基于阈值的肺部实质分割算法,构建了适合深度学习训练的数据集;（2）实验对比了现有经典卷积神经网络模型在新冠肺炎CT数据集上的识别效果,对效果最优的模型进行改进,重构网络结构,调整传统卷积神经网络中通道关系,提出了适合新冠肺炎诊断的网络模型,大幅提升了卷积神经网络识别的效率。同时利用Siamese Network架构优化了训练模型,提高了COVID Net模型在新冠肺炎数据集上的特征提取能力,提高了识别准确率;（3）在Yolo V4目标检测网络架构的基础上嵌入COVID Net结构,改进了其原有特征提取网络Darknet 53,实现了对新冠肺炎中主要影像特征肺部磨玻璃的自动检测。在检测的准确率方面,模型在相同任务上达到了SOTA,有重要的应用价值和研究价值。本文对相关卷积神经网络进行了改进,改良后的模型在新冠肺炎肺部计算机断层图像数据集上的识别的准确度和效率得以提高。本文提出的病灶检测模型,实现了对病灶区域的检测,具有重要的实际意义和临床实践价值。