截至目前,在全球灾难性爆发的新型冠状病毒肺炎（以下简称新冠肺炎）的确诊仍然存在临床困难。CT检查作为肺部疾病诊断的主要手段,医生通过观察CT影像可以判断肺部是否发生病变。然而,部分早期新冠肺炎的影像表征滞后于临床表现,这给早期新冠肺炎的诊断带来了困难。利用深度学习方法,探索CT影像中早期新冠肺炎的特征表现,并据此构建高敏感度的早期新冠肺炎预警模型,具有重要的实际与理论意义。针对早期新冠肺炎确诊困难的问题,基于增强式深度学习的分析框架对早期新冠肺炎CT影像的识别包括三方面的内容。首先,构造了基于神经网络的可解释性病灶特征标注策略。基于类激活映射,模型对图像中的重要特征进行可视化标注。在进行标注的同时,将其作为模型的可解释性依据提供给医生。在此基础上,为减少医生的标注负担,利用聚类的主动式文本特征发现方法,从具有最丰富影像标注含义的CT影像报告中提取出最关键的病灶特征。从而与可视化标注的特征进行半自动关联,进而发现对于早期新冠肺炎识别具有关键性意义的CT影像病灶特征,交由医生判断。其次,构建了增强式卷积神经网络融合学习方法。利用两次迭代学习的方法,在第二轮的迭代学习中利用激活函数对第一轮学习找出的病灶特征进行增强。最后,对增强后的影像及原始影像,利用不同的卷积神经网络进行分析,提高模型抽取特征的能力。提取了武汉同济医院162例早期新冠肺炎和140例普通肺炎CT影像及CT报告进行实验验证。经过对CT影像进行了感兴趣区域提取、数据扩增,以及CT报告预处理等步骤,对早期新冠肺炎的特征进行了提取和标注,得到医生的认同。模型找出了早期新冠肺炎的磨玻璃影和淡薄影特征。利用构建的增强式迭代模型有效提高了早期新冠肺炎的识别率。模型对早期新冠患者分类的曲线下面积指标达到0.943,敏感度高达97%。相对于现有的深度学习方法,准确度提高了3%。