近年来,深度学习在目标检测、图像识别、医学影像分析和辅助分类等方面的应用已经非常广泛。二零一九年末,新冠肺炎（corona virus disease 2019,COVID-19）疫情开始蔓延。二零二零年三月,世界卫生组织将COVID-19确定为全球最大流行病,疫情的出现给世界各地医疗体系造成巨大压力。快速识别COVID-19患者是控制疫情传播和防止医疗资源枯竭的关键。将深度学习技术运用到医学影像分析与分类中可以在一定程度上缓解医疗资源紧张的问题。并且可以减少人工处理所出现的误诊漏诊等情况。但是利用深度学习技术对胸部X射线（Chest XRay,CXR）图像进行分析,并将其应用在COVID-19等分类任务的过程中,还存在几个研究难点,其中包括:（1）由于医学影像特征包含骨骼和肌肉等组织,并且与病灶区域有所重合,所以在识别图像特征方面与普通自然图像有一定区别。使得模型关注点会发生转移,导致性能下降;（2）目前一部分模型算法存在一些问题,无法很好区分COVID-19和普通肺炎;（3）公开数据集相比于其他图像资源不足,尤其是经过有效病灶标注的资源更为缺乏。医学专家对图像标注又十分耗费时间。为了更好地解决以上问题,本文的主要研究工作如下:（1）本文基于模型的迁移学习思想,对预训练网络模型得到的特征信息进行传递。但是由于传统迁移学习策略并未进一步探究特征渐变性与样本数据量、特征相似度的关系,即微调的有效深度。由于肺部病灶区域数据量小,微调层数过多可能会导致网络过度拟合、泛化性差;而自然图像与肺结节数据相似性低,浅层微调可能使网络无法准确归纳病理特征,表达性差。因此,本文利用基于网络低层次特征具有普遍性的特点,提出了一种渐进式微调策略,有效提升了卷积神经网络模型对CXR图像分类的效果。为了缓解CXR图像样本不足、类别失衡、权重过重和原始网络训练时间过长等问题,本文使用了直方图均衡化等方法对数据集进一步进行处理,用来解决胸部X射线图像CXR（Chest X-Ray）会出现的灰雾现象。同时对CXR图像使用裁剪和旋转等方法进行数据增强,并且通过对数据进行预处理和过采样平衡正负样本的方法来解决这类问题。经过实验研究后发现可以在一定程度提高网络模型的分类准确度和效率。其次基于迁移学习后的卷积神经网络模型,本文提出了新的融合网络模型DRN,将DenseNet201网络模型中的稠密层与ResNet50网络模型中的残差网络模块进行了串行连接,使用每层网络后的全连接层替换为全局平均池化层的方式,这样就获得了参量更小,但效能更高的单通道全融合网络模型DRN。可以缓解单一网络在训练时参数过度拟合的问题。实验结果表明,该网络具有良好的泛化能力,能够对CXR图像进行有效分类。（2）使用本文所提出的融合模型DRN对训练集和测试集中的CXR进行分类,对DRN进行分类时提取特征的损失与各通道、空间的相关信息进行分析。本文提出了加入注意力机制模块与DRN再进行融合,通过将SENet与CBAM两种注意力机制模块分别融合至不同网络通道中,对实验精度影响进行研究。通过实验数据可以验证添加注意力机制模块后可以在一定程度上提高网络模型对CXR图像的分类准确度和性能。