2019年末,新冠肺炎疫情在全球范围爆发,成为大流行传染病,每天都有大量新增确诊患者涌入医院,导致医疗资源以及医护人员极度缺乏。为了合理分配医疗资源和医护人员,将新冠患者准确地区分为轻度患者和重度患者显得非常有意义。而目前相关的研究大多都基于单CT图像,凭借着单CT图像的信息进行新冠肺炎的分级。这会导致模型的普适性不高,对输入的CT图像有很高的要求,一旦所输入的CT图像不具有很强的病情代表性,就有可能造成很大的误差。本文研究内容致力于提高模型的普适性以及分级效果,主要做了以下三个工作。（1）为了对本研究所提出的分级模型进行实验验证,需要制作CT图像数据集以及临床指标数据集。本研究根据CT切片序列中间部分图像肺野宽阔、病灶清晰等特点,从每个患者选取中间部分的CT图像,制作了CT图像数据集。在制作临床指标数据集的过程中,本研究对多个可能与新冠肺炎严重程度相关的临床指标进行皮尔逊显著性分析以及相关性分析,确定出淋巴细胞计数、淋巴细胞百分比、中性粒细胞计数和年龄与新冠肺炎严重程度存在着较强相关关系,并依此制作出了临床指标数据集。（2）考虑到患者肺部的三维信息可以由CT图像序列进行表示,本研究提出了一个基于CT图像序列的新冠肺炎严重程度自动分级模型,称之为TAS。该模型以同一患者的多张CT图像为输入,使用传统图像处理操作提取特征信息,计算出患者的平均病灶面积占比以及最大病灶面积占比,最后通过SVM进行分类。该模型最终在CT图像测试集上得到的分类准确率为87.65%,召回率为86.67%,均优于对比实验中的两个深度学习模型（VGG16模型以及Res Net50模型）,这验证了使用CT序列输入可以提高模型对于重度患者的识别能力,从而提高模型的召回率。（3）为了进一步提高分级模型的性能,本研究提出了融合CT图像以及临床指标的思路。在该思路的指导下,本文研究对Res Net50模型和TAS模型进行了改进,提出了两个数据融合分类模型,分别称之为Res＿SVM和TAS+。Res＿SVM模型将同一患者CT图像数据以及临床指标数据进行融合,大幅提升了Res Net50的召回率,最终在实验阶段,该模型的分类准确率为92.94%,召回率为87.67%,所有评价指标都取得了最优的成绩,说明融合CT图像以及相关临床指标在一定程度上可以提升模型的性能。此外通过TAS+模型的实验结果,发现TAS+模型性能随着融合的临床指标数量的增加而下降。经过对两个模型综合实验结果的分析,发现融合的四个临床指标虽然可以解决CT图像选取偶然性问题,但是会降低轻、重度患者的区分度,对模型性能的提升有利也有弊。本文研究完全基于医院经过严格脱敏程序之后提供的数据,全程没有医生的参与,包括两个数据集的制作。然而本文研究提出的分类模型依旧能够取得了优异的成绩,这表明这些模型在轻度患者和重度患者的自动分级中不仅有优异的效果,还有很好的普适性,对输入的数据几乎没有要求。