本文将DenseNet神经网络算法进行改进,引入U-Net网络对新型冠状病毒型肺炎和卵巢癌进行检测研究,将大量的医学影像数据实现自动切割,留下目标病灶,希望计算机可以从数据中学习到病理特征,进而为神经网络的学习提供更好的数据条件,也可以实现计算机智能检测的高效识别,得到更好的分类效果,以达到计算机进行智能诊断的目的。本文主要完成了以下的工作内容:1、介绍了新型冠状病毒型肺炎的相关医学理论知识,包括感染的早中晚期症状、胸片表现,以及卵巢癌的相关医学理论知识和临床表现来更好的对新型冠状病毒型肺炎和卵巢癌的医学影像进行处理。在数据处理方面首先进行了图像增强,将数据中的亮度提高,帮助病灶的特点和位置更好的展现出来;然后图像切割,尤其是卵巢癌数据集,将卵巢癌数据中的病灶单独切割出来,舍弃那些影响模型训练的数据,提高精准度。2、系统介绍几种深度学习的理论知识,以及神经网络结构中的各个模块,尤其是Dense Net神经网络的基本理论,为结构模型的构建和改造提供理论基础。3、构建基于卵巢癌的智能诊断算法的网络结构,在原有神经网络的基础上利用U-NET网络实现数据的自动切割,得到全新的网络结构U-Dense Net,利用Dense Net神经网络与U-Net网络结构进行融合,在Dense Net网络的层次选择上,采用Dense Net169,并与深度学习的其他网络模型Dense Net、Res Net、VGG16等进行对比实验,实验结果表明,经过U-Dense Net网络结构的结果是最好的。还将基于卵巢癌的数据集利用现有算法进行实验,将实验结果与U-Dense Net网络结果进行对比实验分析,结果表明,U-Dense Net在针对卵巢癌数据可以实现高准确率的检测,可以达到提取特征,准确识别卵巢癌病灶的目的,该模型可以推广到其他医学影像分析中,对医疗行业诊断具有实际意义。有助于帮助患者尽早发现肿瘤病症,早治疗,减轻患者的痛苦有很高的临床意义。4、构建针对新型冠状病毒型肺炎的智能诊断算法的网络结构,为了进一步验证U-Dense Net模型的检测结果,将模型应用到新型冠状病毒型肺炎的数据集中,并与Res Net,VGG16等进行对比实验,经过多个实验表明Dense Net169适用于新型冠状病毒型肺炎的检测分析,并且准确性最好,因此U-Dense Net在针对其他病症时也有很高的应用性。