随着医学CT图像在临床诊断中的广泛应用,医学CT图像数据的巨大规模和相关医务人员的稀缺差距给行业造成了巨大压力。在逐条审阅和解读医学图像数据的过程中,医务人员由于个人主观、缺乏经验、生理疲劳等因素容易造成误诊。如何从海量的医学CT图像数据中准确、高效地获取有价值的辅助诊断信息,成为医疗行业面临的巨大挑战。本文针对医学CT图像对比度低、噪声复杂和病灶不显著等问题,研究了医学CT图像增强和分类算法,主要完成了以下工作。（1）对医学CT图像增强与分类的研究背景和意义进行了分析,并对国内外相关研究现状进行了概述与总结。分别介绍了图像增强与分类几大经典算法的原理及应用,分析了现今医学CT图像增强与分类问题中需应对的难点,总结了现有算法的不足。（2）为切实提高医学CT图像质量,研究了将空间域和频域相结合的医学CT图像增强算法,并将对比度限制自适应直方图均衡化算法进行了改进,通过相关实验验证了改进后的CT图像增强算法能有效提高医学CT图像对比度,突出医学CT图像的细节。（3）对经典的卷积神经网络进行了结构改进构建了一个肺部CT图像分类模型,并进行了分类试验。同时利用迁移学习的方法对肺部CT图像进行了分类试验。将改进后的卷积神经网络模型作为传统机器学习算法的特征提取器,可高效准确地对医学CT图像进行分类。实验采用了LUNA16和COVID-19数据集,将改进的卷积神经网络、迁移学习算法与数据集是否通过本文图像增强算法进行预处理后进行分类实验的结果进行了对比分析,改进的卷积神经网络算法和迁移学习算法对于医学CT图像分类的有效性通过实验结果得到了验证。