随着国内医疗技术的强大和医疗水平的提高,越来越多的人工智能技术被应用到疾病诊断当中,在此背景下,将前沿科学技术运用到2019年末爆发的新型冠状病毒肺炎的诊断预测当中是大势所趋。此前,已有许多研究者开发了基于深度学习的模型和算法来处理肺炎图像,辅助医院诊断患者是否感染新冠肺炎。但目前这些方法都存在一定的局限性,模型的鲁棒性、检测的准确率在实际应用上尚不能满足要求。因此,本文基于深度学习卷积神经网络的方法,针对COVID-19 CT图像,进行了图像增强和图像分类算法研究,主要研究内容如下:首先,概述了本课题的研究背景和意义,分析了当前新冠肺炎图像识别预测的国内外研究现状,剖析了目前新冠肺炎影像诊断研究存在的主要问题,同时还介绍了一些图像分类相关的经典算法,制定了本文的主要研究目标和方向。其次,针对爆发初期肺炎的CT图像数据难以获取的问题,提出利用数据增强算法解决数据稀疏的问题,具体采用pix2pix条件生成对抗网络,来扩充数据样本生成样本子集;针对图像分类的准确率低的问题,构建了一个基于改进胶囊网络的诊断框架,捕获图像实例之间的空间关系,加强网络的特征提取能力。通过实验验证了图像增强的有效性和模型分类的优越性能。再次,针对成像设备的不同条件导致所采集的肺部CT图像之间存在异质性,开发的模型算法不能适应这种数据间的异质性,从而表现不佳的问题,提出在不同站点的联合数据集上,重新设计了焦点损失函数加入到双分支神经网络,并采用Res Net作为上分支神经网络的基本结构;在联合站点数据上使用改进的双分支神经网络进行训练和测试,通过对比实验表明了所提出方法的分类效果和鲁棒性。最后,从CT图像是三维图像数据的研究角度出发,提出一个弱监督的高精度分类网络,先利用加入注意力机制的Unet分割网络,对CT图像进行分割获取肺部掩膜,将肺部掩膜和原始CT体积图像作为三维深度卷积神经网络的输入,预测新冠肺炎感染概率。实验结果证实了模型在三维CT图像上预测分类性能优异。