新型冠状病毒肺炎是急性呼吸道传染疾病,如今已经在全球范围内爆发,对人类的生活造成了巨大影响。CT影像学作为一种有效的诊断方法,可以弥补核酸检测的低效率问题,但是需要专业的知识和经验,且工作量巨大,增大了误检漏检的可能。针对以上问题,本文在现有研究的基础上,通过数据收集、数据处理、网络设计与改进、实验对比等研究,提出了基于深度学习的肺部CT图像分析诊断的方法,能够快速、端到端地实现肺炎分类和肺野、病变分割,可以给医生提供宝贵的“第二意见”,有助于提升医生的诊断效率。论文的主要研究工作如下:本文提出了基于改进的ViT网络的肺部CT图像分类算法。针对ViT中对于局部信息的忽略,本文提出在图像分块嵌入时进行重叠切片。本文还将多头注意力机制替换为线性自注意力机制Linformer,降低了模型的时间和空间的复杂度。使用公开数据集,进行了一系列预处理操作,包括图像筛选、直方图均衡、图像归一化。在相同条件下训练了多个网络,计算了各项指标值,进行对比和分析。最终本文的网络得到了 93.65%的准确率和93.69%的F1得分。本文提出了基于Transformer和卷积神经网络的肺部CT图像分割算法。针对于CT图像中的肺野和病变进行分割处理,有助于诊断和分析病情。本文设计了一个将Transformer和卷积神经网络结合的分割网络,该网络将图像分别送入了 Transformer和卷积神经网络中提取特征,将得到了高级特征图进行拼接作为最终的编码器输出,并使用级联上采样进行解码,恢复到原图的分辨率。使用公开数据集和来自专业医生的精细标注数据。在实验阶段进行了多网络模型的训练,计算出了各个网络的指标值,进行分析和比较。本文的模型得到了 Dice系数为86.57%,平均IOU达到84.67%。