新冠肺炎疫情自爆发以来迅速在全球蔓延,毒株的变异更是增强了新冠肺炎病毒的传播能力,欧美地区感染人数仍在飞速增加,中国部分地区也出现多轮疫情反复,新冠肺炎疫情仍然影响着人们的正常生活,威胁着人们的生命健康。在新冠肺炎将长期与人类共存和疫情防控常态化的背景下,迅速对具有流行病学史或发热等临床症状的病例进行筛查诊断,将有效阻止新冠肺炎在人群之中传播和扩散。胸部CT影像,作为新冠肺炎确诊的重要诊断依据之一,通过人工智能的手段提高其检查结果的准确性对提高新冠肺炎的临床诊断能力具有重要意义。因此,本文使用SARS-Co V-2 CT-scan数据集,通过三类不同的方法建立新冠肺炎CT图像分类模型,比较各方法各模型的分类效果和训练时长,旨在找到高效区分感染和未感染新冠肺炎CT图像的方法,提高新冠肺炎患者识别的精度和效率。此外,本文还通过Grad-CAM可视化方法和可解释的神经网络模型x DNN研究图像类别划分依据,探索图像分类的可解释性,从而在实际临床诊断中为医生提供更精准的诊断参考,提高深度学习模型在实际医学领域中的说服力和可靠程度。具体而言,本文针对新冠肺炎CT图像识别问题的三个研究内容如下:第一,使用卷积神经网络模型直接进行图像分类。本文分别拟合VGG16、VGG19、Inception V3、Res Net50、Dense Net121、Mobile Net V2和Xception七个卷积神经网络模型,选取各模型训练过程中分类效果最好的模型作为新冠肺炎CT图像分类模型。使用这些模型对训练集图像进行分类预测,结果发现:除VGG19外,各模型的预测准确率和召回率均在95%以上,卷积神经网络模型在新冠肺炎CT图像识别分类研究中具有有效性;七个卷积神经网络模型中,InceptionV3分类准确率和召回率均最高,且平均每个epoch的计算时间最短,模型分类性能最好。通过Grad-CAM方法绘制热力图,展示图片中各像素对卷积神经网络分类结果的贡献度,使分类依据得以可视化,在临床诊断中可用于突出病灶位置,解释诊断结果。第二,使用深度学习与机器学习相结合的方法。本文分别使用预训练和最优VGG16、Inception V3、Dense Net121提取特征向量,再输入岭回归、SVM、决策树、随机森林、XGBoost中拟合分类模型。对比各模型结果发现:与对应的卷积神经网络分类模型相比,机器学习分类器有效提高了CT图像分类的准确率和召回率,在新冠肺炎CT图像识别研究中更具优势;在五种机器学习分类器中,XGBoost模型对绝大部分特征向量的分类均有较好的预测效果和较短的运行时间,在此数据集上更具适用性;三个ImageNet预训练网络VGG16、Inception V3、Dense Net121中,VGG16特征提取效果最好,基于此网络提取的特征向量分类器普遍拥有较好的分类性能。第三,使用可解释的神经网络模型。本文分别使用基于ImageNet预训练和最优VGG16、Inception V3、Dense Net121网络提取出的特征向量拟合x DNN模型,并对测试集的患者胸部CT图像进行分类预测。研究结果显示:x DNN的分类性能明显优于预训练卷积神经网络,但在卷积神经网络模型本身分类效果很好的情况下,x DNN模型对CT图像的分类性能无明显提升作用;与机器学习分类器相比,x DNN对大部分特征向量的分类效果优于机器学习模型,且xDNN模型不需要进行网格搜索和超参数选择,极大地缩短了模型调参时间。此外,决策过程透明、分类过程可解释,使其在图像识别尤其是医学影像识别问题上具有独特优势。综合本文研究发现,基于最优Inception V3（1*256）特征向量的xDNN模型分类准确率最高,召回率也处于最高水平,在新冠肺炎CT图像识别问题上具有最好的识别效果,且x DNN模型能够找到与新样本最为相似的原型,为其类别划分提供解释依据,具有可解释性。故在计算资源充裕的条件下,本文将此x DNN模型作为新冠肺炎CT图像识别的首选模型。若计算资源紧张,则考虑使用Image Net预训练的VGG16模型提取特征并用x DNN进行分类预测,此模型在保证分类性能较好的同时,有效降低计算机硬件要求,减少模型拟合耗时。