新冠肺炎患者的影像分类和肺部影像病灶特征识别研究是医学视觉领域的一个新的研究方向。新冠肺炎患者的影像分类是根据疾病的影像信息,提取特有的特征,依据这些特征,把新冠肺炎患者的影像从其他影像中划分出来,从而获得新冠肺炎患者的影像。该方法的难点主要是前期样本收集困难且收集到的样本数量较少,传统的单一模型对新冠肺炎患者的影像分类效果并不理想的问题。新冠肺炎患者的肺部影像病灶特征识别是指根据目标检测算法对影像中的病灶部位进行识别。然而前期的病灶特征研究主要是利用软件分割和分割算法来实现,这种方法主要缺点是速度慢,工作量较大,而且只能做某一种病灶特征的研究和定量分析。鉴于此,研究新冠肺炎多病灶特征的目标检测算法具有很高的价值和实践意义。本文针对目前新冠肺炎患者的影像分类研究和病灶特征研究,现提出新的算法和方法来解决现有的问题。本文主要的研究工作如下:1.针对新冠肺炎患者的检测方法大多使用传统的图像分类模型,这些单一模型在检测新冠肺炎患者的胸部X射线图像时存在识别准确率低、模态特征捕捉不准确等问题。提出了一种基于图像模态特征融合的新冠肺炎检测方法。该方法主要使用五种图像分类模型,构成级联模型提取图像特征。这五个模型能够保留大量模态特征的细节信息,从而能够提高了模型的准确率。为了减少模型的参数,避免训练过程中出现过拟合,加入了全局平均池化层。最后,利用全连接层对图像进行分类。因为新冠肺炎影像样本数量较少,需要对胸部X射线图像进行旋转、平移、随机变换等小样本增强处理,通过这种方法扩增图像使模型准确率有所提升。2.针对提取新冠肺炎患者的肺部影像病灶特征大多使用软件分割和分割算法来实现,使得病灶特征提取非常缓慢,而且只能提取一种病灶特征的问题。本文提出了基于YOLOV3（You Only Look Once V3）的新冠肺炎多模态特征识别方法。首先,收集新冠肺炎早期、中期以及晚期的X射线图像,并对图像中的模态特征浸润影、磨玻璃影斑点和肺实变进行标注,构造COVID-19标注数据集。其次,通过一定的图像扩增方法,使训练集数量扩大增强,有利于训练。最后,使用YOLOV3算法经过训练得到权重,并在测试集上进行检测,从而达到快速的、多病灶特征的识别。