近年来新冠肺炎在全世界迅速蔓延,伴随着核酸试剂检测周期慢、病毒隐藏周期长,基于CT图像的肺炎诊断技术可以在一定程度上满足临床需求。为实现肺炎图像的自动化识别,需要解决医学CT样本分辨率低、对比度差、数据集少、准确率低的问题。针对上述情况,本文对基于深度学习的肺炎诊断方法展开了深入研究。主要工作有:（1）针对医学图像模糊、相邻位置灰度差异小等问题,对来自国家生物信息中心的肺部CT图像进行了预处理。首先,利用直方图均衡化对CT样本的灰度值进行分布统计,找出图像中存在的干扰信息;其次,与传统的预处理方法进行比较,提出了基于改进的K-Means算法,用于完成图像的前景提取;最后,利用聚类中心点对重新规范化的CT特征图进行自适应阈值分割,成功实现肺部片段的分离,从根本上提高了图像质量,为肺炎的诊断做好数据准备。（2）针对肺部图像特征数量少、训练难的问题,提出了基于多尺度特征融合的肺炎诊断模型。首先,采用多通道、多尺度卷积层并行提取肺部特征,代替传统的卷积堆叠方式,输出更多有用的纹理信息;其次,引入新的注意力机制模块,调整图像在通道和空间位置上的信息权重,改善网络对肺部特征的输出;最后,采用L2正则化和Leaky Re LU激活函数加速网络收敛,并引入深度可分离卷积和全局平均池化层减少模型的参数量。实验表明,与传统的深度学习模型相比,该模型在肺炎的各项诊断指标上均表现得更好。（3）针对医学图像标注困难、传统模型过分依赖超参数调整从而导致准确率低的问题,进一步设计了基于蒸馏技术的肺炎诊断方法。首先,选取多尺度提取模块作为主干网络,同时利用高温机制对分支网络进行自蒸馏,使相应的输出信息更加接近和丰富;其次,结合分支网络的权重比,对主干部分进行Loss值分配,并自适应推断出最佳提取层数,以保证模型性能上的最优;最后,利用半监督的方式进行自主学习,优先选择未标注的预测图像作为模型的输入,在处理诸如肺炎图像等难以获取的数据集时,具有突破性意义。实验表明,该模型在多尺度特征融合网络的基础上进一步轻量化,仅使用少量未标记的CT样本就能实现更强的泛化性。（4）基于肺炎诊断模型,设计了一套硬件实验方案及配套GUI界面,并打包部署在Open CV检测器中,用于完成肺炎图像的场景检测,具有重要的应用价值和实际意义。论文共计图53幅,表16个,参考文献82篇。