采用深度学习技术进行医学影像分析是当前的热点研究问题,其研究成果将辅助医生诊断并有利于促进人类健康。针对从三维CT影像中识别新型冠状肺炎和肺动脉栓塞这两个重要问题,为减轻医学专家的手工标注工作量,本文研究了在弱标记情况下（即只给定患者级别标签）深度网络设计与训练方法。新型冠状肺炎是近年来最重大的传染性呼吸道疾病之一,在全世界范围内已造成三百多万人的死亡。在新冠疫情初期缺乏病灶标注且计算资源受限情况下,本文研究了弱监督下新冠病灶区定位和轻量化网络设计的问题,通过改进3D残差网络（Res Net）实现了新冠肺炎准确快速地识别,并利用分类网络中区分特征实现病灶区的定位和可视化。首先,为了减少其他组织的干扰,利用无监督的连通域分析法对肺部进行分割,并将其较好的分割结果作为真实分割注释对分割网络进行训练;然后,设计了轻量级主干网络和渐进式分类器,在保证计算成本低的同时提高新冠肺炎的分类准确性;最后,为了对分类结果进行可解释性说明,并为影像科医生提供更加直观的诊断依据,设计了一种类激活图和三维连通区域相结合的弱监督新冠肺炎病灶定位算法。肺动脉栓塞是肺动脉血管中可能危害生命的血管堵塞,因临床表现和医学成像都不具有明显特异性,肺动脉栓塞难以及时发现并进行治疗且难以被准确标注,临床误诊率及漏诊率高达80%。针对肺动脉栓塞识别的研究依赖高质量标注数据和假阳性高的问题,本文从数据预处理、多示例网络构建、迁移学习、注意力机制的融入等四个方面进行研究。首先,我们在数据预处理时,通过调整医学图像参数和剪裁等,使网络输入数据中肺部动脉特征更明显。然后,基于多示例学习技术构造3D肺动脉栓塞识别网络,并基于更精细标签下训练的模型进行迁移学习,为多示例网络参数的训练提供更佳的初始化;最后,通过在多示例分类器加入注意力机制,实现示例与整体间更好地映射,进一步提高准确度。相关研究方法在新冠肺炎识别和肺动脉栓塞识别问题上取得了业界领先的实验结果,将对其他疾病三维CT影像的研究提供技术借鉴。