易三莉，王天伟*，杨雪莲，佘芙蓉

(1. 昆明理工大学 信息工程与自动化学院，云南 昆明 650500；2. 云南省计算机技术应用重点实验室，云南 昆明 650500)

1 引 言

新冠肺炎肆虐全球，威胁人类的生命健康安全。随着疫情的不断传播，给许多国家和地区的医疗体系都带来了巨大的负担。为了减少疫情传播和降低患者死亡率，快速、准确地识别新冠肺炎显得尤为重要。

目前，对于新冠肺炎检测主要有反转录聚合酶链反应(RT-PCR)，这种方法需要从受试者体内获取呼吸标本，从而检测病毒存在，但是，对于一些医疗体系不发达的国家，由于RT-PCR试剂盒数量有限，根本不能及时对患者进行筛选，且这种方法费时昂贵。此外，计算机断层扫描(CT)成像和鼻咽拭子也能够检测新冠肺炎，对于计算机断层扫描(CT)，成像后需要专业影像学医生对图像进行理解，但是，在很多地区，影像科医生很缺乏，并不能及时对日益增长患者做出相应筛查；对于鼻咽拭子的检测，需要专业检测设备，当患者数量过多时，检测者也会出现疲劳等情况，且也需要一定时间才知道检测结果。

如今，深度学习被广泛应用到图像识别中，如仪表自动识别[1]、表情识别[2]等，且取得了很好的效果，为计算机视觉领域奠定了基础。在早期，Alex Krizhevsky等[3]提出了AlexNet网络结构，该网络通过构建一系列卷积层和全连接层，成功用于图像的分类且取得了较好的效果。之后K Simonyan等[4]提出VGGNet网络结构，用3×3卷积核代替AlexNet网络中较大卷积核，在减少参数量的情况下对于图像的分类效果并未下降。……