计算机断层扫描影像获取速度快、分辨率高等特点使得在新型冠状肺炎临床诊断中利用CT影像进行病灶检测成为一种有效的方法。尤其针对新冠肺炎传染性强的特点,尽早发现病情对于提高患者的生存率及缓解疾病的传播发挥着至关重要的作用。因此,本文以医疗图像处理技术为背景,以构建一个兼顾准确率与实时性的算法为目标,针对基于深度神经网络的新冠肺炎病变区域检测模型进行了研究。主要创新性工作如下:针对现有技术在肺炎病灶检测时存在漏检率与错检率高的问题,构建了基于改进YOLOv3网络的肺炎病变检测模型。首先引入自校正卷积调整残差单元结构,减少参数量的同时提取各个通道间不同的特征。其次,基于密集连接网络思想将改进后的残差单元进行不同方式的密集连接,从而设计出自校正密集残差模块SC-DRB,使得网络前端残差块的信息可以直接传递至后端,实现特征复用。最后,提出以SC-DRB结构为特征提取网络的SCD-YOLOv3模型,使得网络提取的特征更有利于肺炎病变区域检测。通过在真实肺炎病例影像数据集上进行实验表明,该网络性能优于原使用Darknet-53作为backbone的YOLOv3,m AP@50高出约8.2%。为了进一步提高多尺度新冠肺炎病变区域检测精度,本文对YOLOv3网络的特征金字塔结构做出改进。引入scale-transfer上采样技术以弥补最近邻插值算法破坏图像像素间渐变关系的缺陷。同时提出基于特征融合的YOLOv3改进网络,将网络低层的位置信息传递至高层,增强整个结构的空间信息及语义信息。在上述工作的基础上,本文根据放射科医生的标注,使用基于DIo U“距离”及K-means++的锚框聚类算法得到适用于本文数据集的anchor box尺寸。为减少漏检率,使用改进的非极大值抑制算法剔除重复检测同一目标的bounding box。在实验阶段,先分别将上述改进与YOLOv3网络进行对照实验,结果验证了改进内容的有效性,而后将以上模块融合再进行实验,取得的m AP@50、FPS分别为85.9%、27.65fps,与YOLOv3模型相比m AP@50提高10.5%,FPS相当。本文提出的新型冠状病毒肺炎检测与诊断算法,在实现实时检测的基础上具有高精度,不仅有利于该种疾病的诊断,而且对医疗领域中其它病灶检测的发展有重要意义。该模型已集成至合作医院的肺炎检测系统,验证了所研究方法的可用性及可行性。