2019年12月以来,新型冠状病毒肺炎（Corona Virus Disease 2019,COVID-19）在全球的爆发,对日常生活造成了严重的影响。计算机断层扫描（Computed Tomography,CT）结果是COVID-19诊断的重要依据之一,已被纳入国家诊断标准。在实际诊断流程中,医生首先对病灶区域大致分割,再根据病灶内部特征进行诊断,对应于医学图像处理中的病灶分割和疾病分类任务。基于深度学习的病灶分割在CT图像中描绘了焦点区域,为疾病评估和量化提供基础;疾病分类网络通过提取不同病灶的特征,能够以较高的准确率快速判断,辅助医生进行诊断。COVID-19患者胸部CT图像中的病灶区域呈磨玻璃密度影、实心白色样肺实变等表现,场景复杂且病灶模糊,给病灶分割工作带来了巨大的挑战。并且COVID-19病灶与其他肺炎间影像学特征具有相似性,对现有网络进行疾病分类造成了困难。此外,仅凭分类网络提供的结果难以给予医生的诊断提供更多帮助。实际上病灶分割结果能够以注意力的方式提高分类网络的性能;疾病分类任务也能够加强分割网络对于病灶区域的关注,强化边缘部分的分割效果,这种结合两者的多任务学习方法能够相互促进、共同提升性能。本文针对COVID-19 CT图像病灶分割与疾病分类任务为目标,主要有以下四点贡献:（1）COVID-19数据的标注与数据集构建:对于目前COVID-19无高质量标注3D公开数据集的问题,本文与上海市第六人民医院、上海市第九人民医院合作采集了2020年至2021年272例胸部CT数据。通过开源标注工具ITK-SNAP,在影像学专家的指导下进行COVID-19病灶标注,构建了一个包括100例COVID-19患者的肺部CT图像分割数据集以及一个272例不同肺炎患者及正常人的多任务分类分割CT图像数据集,为后续研究提供基础。（2）基于3D可变卷积的COVID-19病灶分割方法:对于COVID-19病灶边缘不规则且模糊、影像学特征多样而复杂、不同阶段病灶尺寸差距大等问题,本文提出了一种基于DF-Net的COVID-19病灶分割方法。DF-Net加入3D可变卷积（3-Dimensional Deformable Convolution）模块使网络自适应地调整卷积核的形状,以提取COVID-19不规则病灶的特征;引入Focal Tversky损失函数平衡预测结果中的假阳性与假阴性体素,增强网络对于边缘分割的效果;并使用迁移学习策略缓解COVID-19数据集较小的问题。在构建的肺部CT图像分割数据集上的实验表明,该方法分割结果的体积Dice系数达到了83.04%,表面Dice系数达到了79.97%,相比现有的图像分割方法分别提升了1.44%和2.80%。（3）基于反转注意力机制和迭代训练策略的多任务肺炎分类分割方法:对于COVID-19与其他肺炎难以分类、可解释性较差等问题,本文提出了一种基于多任务模型Multi R-Net的疾病分类和病灶分割方法以辅助COVID-19诊断。Multi R-Net由两个子网构成:一个用于三维病灶分割的多尺度特征融合的U型子网;一个用于疾病分类的残差特征提取的子网。两个子网间通过反转注意力机制和迭代训练策略进行特征融合,并结合分类与分割损失函数以实现多任务学习。该方法的精确率达到了94.01%,F1-score达到了93.66%,相比现有的多任务分类分割方法分别提升了4.69%和5.87%;并采用了Grad-CAM可视化激活图分析表明了Multi R-Net结果的可解释性。（4）COVID-19分类分割网络分布式训练方法:对于单例CT图像数据量较大、网络模型参数量大导致网络训练时间长的问题,本文提出基于Tensorflow的多GPU分布式训练方法,利用数据并行的训练策略与多种通信架构来优化DF-Net与Multi R-Net的训练速度。实验结果表明,在各项指标无明显损失的前提下,该方法在4个GPU上网络加速比达到3.66倍,加速了网络训练。