随着人们生活的发展,肺部组织的致病率也随之增长。胸片检查是判断肺部疾病的重要途径。但胸片的人工检查工作存在着工作量大、专业性强且依赖于医师的临床诊断经验等问题。面对这些问题,目前的主要解决方法是采用基于大数据、人工智能开发的计算机辅助诊断。现有的辅助诊断肺病的人工智能算法大多不仅存在着图像预处理针对性不强、图像分析的分类性能较差和结果准确度不高等问题,而且现有算法对新发现的肺部疾病判断率偏低,如新冠肺炎。因此本课题首先研究去除胸片肋骨的方法,然后采用Inception-ResNet-v2组合网络对胸部图像进行分析,较好地解决以上问题,最后在新冠肺炎的确诊问题中使用本课题的模型。本课题主要工作如下:（1）本课题使用基于U-Net网络的肺部影像的肋骨减影方案。在胸片预处理阶段,首先使用局部对比度加强技术来加强胸片肺叶的对比度,然后通过U-Net网络生成无肋骨胸片。这种肋骨减影的处理方式提高了图像质量及网络分类准确度。（2）本课题选择Inception-ResNet-v2网络作为主干网络。网络中的Inception块结构可以增加网络稀疏性和宽度,同时多尺寸卷积核的组合不仅可以扩大感受野,还可以提升网络计算速度。这种多路并行结构可强化模型的肺病分析能力。（3）本课题对主干网络的结构做了优化。首先模型融合Inception块和residual块,跳跃连接能缩减复杂深层模型出现性能倒退现象的机率,然后本课题对网络结构做了相关调整,增加网络对数据的适应性。调整后的组合网络可提升肺病的识别性能。（4）本课题研究了新冠肺炎方面的图像识别。首先研究了新冠肺炎的典型病例,采用有高精确度CT影像作研究对象,然后针对CT影像做肺实质分割,最后将改进的Inception-ResNet-v2网络应用于确诊新冠肺炎的辅助诊断中。最后本课题通过实验来测试模型的性能。实验结果表明改进型的Inception-ResNetv2网络有着更高的性能和识别准确度,肋骨减影方法可帮助模型提升分类性能,且网络在新冠肺炎的识别中有着较高的实验分辨率。