新型冠状病毒病（COVID-19）于2019年爆发,因其传染性很强,已经成为了全球性的健康危机之一。目前,医学界普遍认为逆转录聚合酶链反应（RT-PCR）可检测和筛选COVID-19病例。然而,由于设备的短缺和对检测环境的严格要求,限制了对疑似病例的快速、准确筛查。而且RT-PCR的检测敏感性不够高,导致检测出大量假阴性病例,严重影响了对疑似COVID-19患者的早期检测和治疗。CT扫描成像技术作为检测COVID-19的另一个检测手段,能够清楚地描述与COVID-19早期磨玻璃样阴影（GGO）和晚期肺实变相关的肺部表现特征。尽管如此,CT扫描图像也显示了与其他类型肺炎或者正常组织相似的影像学特征,因此很难区分它们。此外,人工描绘肺部感染区域是一项繁琐和耗时的工作,且往往容易受到个人偏见和临床经验的影响。近年来,由于深度学习智能高效的特征学习和获取特征的能力,为解决上述问题提供了新的方向,并逐渐开发出许多先进的网络,如Cov-Net、Covid-Net、UNET、Residual UNET、Inf-Net、Attention UNET和RAD-UNET等,但是上述网络却很少涉及COVID-19肺部感染区域的分割。这主要是因为分割COVID-19感染区域面临以下几个方面的挑战:（1）CT扫描图像感染区域的纹理、大小和位置是不同的。（2）由于GGO的边界对比度低,外观模糊,在分割过程中很难与健康的组织区域进行区分。（3）感染区周围的噪声较大,极大地影响了分割精度。（4）获取高质量的CT扫描图像肺部感染的标签的成本和时间都很高。因此,大多数没有带标签的COVID-19肺部感染数据主要用于诊断,只有少数数据提供了原始数据和分割标签。针对上述问题,本文借鉴Dense Network、Improved Dilation Convolution模块和Attention Gate系统的原理和优点,结合COVID-19 CT扫描图像的特性提出ADID-UNET网络,用于COVID-19肺部感染区域的分割。本文提出的网络主要有以下四个创新点:（1）针对梯度消失问题,本文采用Dense Network取代传统的卷积和池化函数。Dense Network通过特征层级联的方式,重复学习和提取高级目标特征,增强网络的特征传播能力。而且,Dense Network的训练参数较少,减小了网络的复杂度和计算开销。（2）为增加编码结构输出结果的接收域,并补偿由于边缘模糊而引起的问题,在连接编码结构和解码器结构之间引入Improved Dilation Convolution模块,增加了预测结果不同范围的感受野,提供了更多的边缘信息,增强了网络的边缘特征学习和提取能力。（3）由于GGO的边缘对比度很低,灰度不均匀,本文采用Attention Gate系统代替UNET网络中简单的裁剪和复制操作,通过抑制背景信息,进一步提高了网络分割感染区域的准确性。（4）因为带有标签的COVID-19数据集的数量有限,远达不到复杂模型训练所需的最小样本数,因此本文采用数据增强的技术,在收集到的公共数据集的基础上进行数据扩充。为进一步评价ADID-UNET网络的性能,本文引入Accuracy、Dice coefficient、AUC、Precision、Sensitivity、Specificity、结构度量(8))、增强对齐度量()、F1评分和平均绝对误差（MAE）作为分割评价指标。通过最终的定性和定量的结果分析可以发现,与其他先进的分割模型相比,本文提出的ADID-UNET模型可以精确分割COVID-19 CT扫描图像的感染区域,大部分分割性能指标均在80%以上,具有良好的临床诊断前景。