使用深度学习模型检测新型冠状病毒肺炎（Coronavirus Disease 2019,COVID-19）具有准确、高效且无需接触患者的优势,这在疫情防控中是至关重要的。然而目前的检测方法和模型存在检测假阳性率较高与效率较低的问题,为了解决这些问题,实现在深度学习模型下对COVID-19的准确高效检测,本文提出了基于迁移学习的COVID-19检测方法,设计了基于肺部X光片检测COVID-19的DR-Net模型,并开发了COVID-19检测系统以实现无接触的自动化检测。针对采集到的患者肺部影像对比度较差、亮度较低的问题,本文在对比多种图像预处理算法后,根据实际需要选择使用限制对比度的自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization,CLAHE）算法对肺部X射线图像进行预处理,在增强图像对比度、抑制噪声的同时突出图像内部细节,减少医疗环境和设备性能等外在条件的影响;其次,针对COVID-19肺部X光数据集较小和类别不平衡导致检测假阳性率高的问题,本文提出了基于迁移学习的COVID-19检测方法。使用在大规模数据集上预训练的优良模型（主要是VGG16、Res Net50、Inception V3和Xception模型）中的特征提取器对本文的肺部影像进行特征提取,以COVID-19阳性和阴性的肺部X光图像（以下简称阳性和阴性图像）中存在的影像特征差异为分类依据,再加上改良设计的网络微调层,进行特征降维处理后,由Softmax层分类输出,降低检测的假阳性率;最后,针对现有网络存在检测准确度不高和参数量过大的问题,本文设计了针对肺部X光片进行COVID-19检测的DR-Net网络模型。DR-Net是在迁移模型VGG16网络的基础上改进得到的,其改进方面包括各个网络层和整体网络结构:1.用可分离卷积替代经典图像分类网络中的卷积,大大减少网络参数,从而减少计算量,提高运行速度;2.结合Dense Net中的网络层间连接方式,将整体网络结构改为跳层连接,使得骨干网络的每一层都和上一层连接,并输出所有的特征图,最后,进行特征重组,提高特征利用率,实现资源的最大利用,从而提高模型分类能力,提升检测精度。本文分别使用在大规模数据集上预训练的多种优良模型和自主设计的DR-Net模型,进行了对COVID-19阳性图像和阴性图像的检测分类实验。使用开源数据库——Kaggle平台提供的COVID-19 X射线影像数据库中的阳性与阴性图像作为实验数据集,进行模型训练和优化。结果表明,DR-Net模型的分类准确率、敏感性和特异性分别为99.37%、99.43%和99.31%。与改进前的VGG16模型相比,分别增长了3.31%、3.13%和3.50%。另一方面,DR-Net模型的参数量为6.57×10~6,这比改进前的模型低55.31%。并以训练后的DR-Net模型为核心,进一步开发出基于肺部X光片的COVID-19检测系统,分别对COVID-19阳性图像和阴性图像进行了检测实验。DR-Net模型对COVID-19图像具有良好的检测分类能力,在提高精度的同时也有效降低了模型参数量,从而提升了检测速度。此外,本文开发的基于肺部X光片的COVID-19检测系统也能够在不与患者接触的条件下实现COVID-19的准确高效检测。