2019年12月以来,2019新型冠状肺炎在全世界的大范围传播造成了严重的传染病扩散危机,导致全世界人民面临严重的健康危机。这种传染病具有传染性高、变异性强等特点,现在已经在超过200个国家肆虐。在疫情的高风险地区,新冠肺炎患者的检测十分受阻,这主要是由于医疗设施较少以及检测试剂的短缺。通过CT图像来检测早期的新冠肺炎是现在流行的一种方法,也是当下研究的热点。由于新冠肺炎的CT表现有自己的特点,其与甲型流感病毒性肺炎等类型的病毒性肺炎有不同之处,所以使用CT图像对COVID-19进行分类也是切实可行的方案。深度神经网络作为医学图像检测分析领域的新工具,针对新冠肺炎的早期筛查能够提供比传统药物方法更快速准确的判断。然而,当下的分类模型在面对COVID-19的肺部CT图像时,其分类结果并不能达到很高的准确率,很多的模型都需要医生的手动标注感染区域数据来进行半监督训练,而标注感染区域数据的图像数量很少,各个医院也为保护隐私很少将其公开。为了克服这些难点,论文以深度学习理论为基础,以集成学习和神经架构搜索为中心对新冠肺炎肺部CT图像分类进行研究。主要工作内容概括如下:（1）基于Mobile Net和Resize Model,提出了预测肺部CT图像是否为新冠肺炎或社区获得性肺炎或未患病人的新方法Resize-Mobile Net。本文将Mobile Net网络前面加入了一段全新的Resize模块,通过双线性插值、卷积层和残差模块替代了预处理中的图像缩放部分,将整体模型的输入从224×224提升到448×448,并且保留了原始图像的高分辨率细节,达到了更好的分类结果。Resize-Mobile Net在i CTCF的二分类公开数据集上取得了96.9%的分类准确率,在Maftouni等整理的三分类数据集中取得了94%的分类准确率。（2）提出基于Bagging和Resize模块的方法解决肺部CT图像分类问题。本文将Resize Structure应用于不同的网络,并分别对这些网络进行训练,采用有放回的采样方法来做到数据集的合理安排。通过取平均值、取多数票的方法,分别得到Bagging的结果。使用Mobile Net、Res Net50 V2、Inception V3、Dense Net169作为一组分类器进行集成,使用添加Resize模块的上述模型作为另一组分类器进行集成,并与前者对比,探究图像输入分辨率大小和Resize模块对集成学习的影响。实验结果表明,使用Resize模块的集成学习也能够有效提高整体分类精度,在Maftouni等整理的三分类数据集中达到了96.7%的分类准确率。（3）为了使网络对于肺部CT图像的识别率进一步提高,本文提出了基于神经架构搜索和Resize-Mobile Net的新网络NAS-Resize Net。为了能够更高效的将原始图像的高分辨率细节传入分类模型,将GBDT-NAS引入了Resize-Mobile Net。保持Mobile Net的部分不变,只对前面的Resize结构进行搜索,并将搜索出的架构和Mobile Net一同训练。在Maftouni等整理的三分类数据集的实验结果表明本方法能够准确的识别新冠肺炎与普通肺炎、普通人的肺部CT之间的不同,并在高分辨率图像中能够更好的提取出分类所需的细节并传入模型,有效提高了分类准确率。