2020年年初的新型冠状病毒肺炎席卷全球,对全球的经济、民生造成了严重的破坏。目前,新冠肺炎患者筛查主要有两种有效的检测手段:一是采用核酸检测进行大规模的排查,二是采用计算机断层扫描（Computed Tomography,CT）影像获取患者肺部详细造影情况。对于新冠肺炎的排查,初筛通常使用核酸检测的方式进行,其能够快速检测出患者是否携带有病毒核酸进而判断是否感染新冠,但核酸检测的方法存在有两个弊端:一是有一定的误检概率,二是无法判断病情的轻重,因此,在得到初筛结果为阳性后需要进一步做CT影像扫描。新冠肺炎病灶在CT影像中通常呈现为类圆形,且呈现出一定的阴影,医生通过阅览患者的CT影像能够对患者的病情进行诊断。基于计算机视觉技术的各类计算机辅助诊断系统应用于肺部CT影像的诊断任务中,能在一定程度上为医生提供相关诊断建议,提升医生的工作效率。目前,对于新冠肺炎病灶检测任务,其主要存在的难点包括输入数据为灰度图,样本表征信息有限、病灶区域形态多样,不利于网络的特征提取,及对病灶区域的预测判定,从而导致病灶区域误检率高、定位不精确等问题。鉴于此,针对以上任务本身的难点以及导致的问题,为研究高精度的检测算法,本文基于深度学习算法,结合各类最新研究工作设计了专门针对于新型冠状病毒肺炎病灶区域的检测网络。本文的主要工作内容如下所述:（1）首先,本文的网络构建采用的是双阶段检测法,即先搜索出候选区域,再对候选区域做二次检测。在特征提取网络的设计上,本文基于Transformer自注意力机制构建了主干网络。在主干网络的顶部,本文设计了浅层特征提取模块,对特征图的浅层特征进行了强化,之后采用Swin Transformer模块对网络的中层部分与深层部分进行了构建,依赖于Transformer自注意力机制,其能够对特征图中的各个目标构建关联,使得特征图中的信息关联性更强,更易于检测器进行检测。（2）其次,本文对双阶段网络第二阶段RPN网络中的anchors生成机制进行了优化,以对病灶区域进行更加精确的位置预测。在该部分的优化中,本文所采用的方案是Guided Anchoring机制,由于新冠肺炎的病灶区域通常为不规则的类圆形,Guided Anchoring机制使得网络能够自适应生成anchors来提高anchors及候选区域的质量,为检测器的位置预测提供更精确的先验坐标。（3）最后,本文对网络的检测器模块进行了重新设计。在这部分的优化设计中,本文借鉴了Adaboost级联分类器的思想,在提出的网络中采用了三个检测器进行级联;并且,为了提高检测的精确度,本文将检测器中的位置预测支路与类别预测支路进行了解耦操作,分别先由全局平均池化层与卷积层进行前置处理后再进行相应的预测工作。本文通过理论及实验验证,优化之后的模型相比较于优化之前,m AP指标提升了5.67%,其余TPR、PPV、ACC等指标提升幅度也都高达5%,实验结果验证了本文所提出的优化方案在新型冠状病毒肺炎患者的CT影像诊断中有较高精度的检测性能,研究方案具有一定的价值和意义。