新型冠状病毒肺炎（COVID-19）的快速蔓延导致全球健康危机,给医疗卫生、经济、安全等各方面都带来了巨大的危害。新型冠状病毒的高度传染性、变异性和隐蔽性大大增加了疫情预防和控制的难度。快速检测并且对可能感染的患者进行隔离治疗是抑制COVID-19传播的有效途径。深度学习和医学成像的最新进展表明,计算机从医学图像中提取数据的信息能力取得了进步,进而通过构建计算机辅助诊断系统可以在对抗疾病的检测工作中发挥重要作用。然而,针对COVID-19的医学图像和医学数据的特点,进一步开发和优化深度学习技术是重要且具有挑战性的研究课题。针对上述问题,本文主要研究COVID-19计算机断层扫描和胸部X光医学影像,研究并构建性能优异的COVID-19医学图像分类模型,本文主要研究内容和研究工作如下:（1）COVID-19的CT医学影像异常检测。CT图像的特征包括明显的局部病变特征和全局特征。因此,本文通过研究不同结构的深度分类模型,提出卷积神经网络和Transformer双分支模型,以提高模型的局部特征和全局特征的提取能力,结合局部特征和全局特征提高模型对病灶的分类准确率。首先,对输入图像进行数据转换为符合CNN和Transformer输入要求的二维图像和一维向量,其次,分别送入CNN和Transformer分支中,提取的局部特征和全局特征通过特征拼接进行融合,实现COVID-19的CT医学图像分类。最后,通过在一组COVID-19的CT医学影像进行模型评价及实验结果分析。实验结果表明,在COVID-19的CT医学图像三分类任务中,疾病检测的准确度为95.06%。（2）COVID-19的CXR医学影像异常检测。由于CXR图像相比CT图像局部病变特征和全局特征更分散。本文研究并构建了一种基于卷积神经网络和Transformer的融合分类模型。具体而言,首先,该模型由特征提取子网络、特征关注子网络和特征分类子网络构成。通过特征提取子网络中提取全局特征和局部特征,并且通过卷积和Transformer特征交互模块融合全局特征与局部特征信息。其次,将提取融合特征送入特征关注子网络进行深度特征提取,然后,最终提取的融合特征经过特征分类子网络进行分类。最后,进行模型测试和实验结果分析,在一组真实的COVID-19的CXR图像进行异常检测,实验结果表明,卷积神经网络和Transformer的融合分类模型在COVID-19的CXR图像上的Accuracy、Precision、Recall和F1 score分别为97.09%、97.16%、96.93%和97.04%。通过以上技术研究,本文研究COVID-19医学影像的异常检测技术,实验结果表明,通过融合病灶局部特征和全局特征的模型具备准确性和可行性,能够帮助COVID-19的患者快速诊断及治疗。