新型冠状病毒的特点在于其极具感染力、强致病性、高隐蔽性和较长的潜伏期,其引发的新冠肺炎对全球范围内的公共医疗卫生体系、经济活动造成了巨大的影响,同时如何保障人类的健康和生命安全也将接受严峻的考验,因此新冠肺炎患者的快速诊断对于控制病情进展和精准治疗将起到重要作用。核酸检测的转归时间长且检出率低,而CT影像作为肺炎的常规诊断工具则有助于患者筛查和病情进展评估。由于不同类型肺炎具有多种感染区域和相似的影像学特征,利用CT影像人工筛查病灶区域是一项劳动密集型且具有挑战性的任务。本文在分析国内外新冠肺炎辅助诊断方法的基础上,以保证和提高新冠肺炎诊断及病灶定位的效率和可靠性为目的,通过算法分析、模型设计和实验验证对基于深度学习的新冠肺炎辅助诊断方法进行了研究。提出了以临床为导向的肺部CT影像预处理方法,该方法基于多示例学习策略,通过一组CT影像轴状面构成的示例包表示完整CT影像,可以缓解因数据来源不同而出现的数据形式、质量等参差不齐的问题。分别建立了基于相似性自适应池化层的分层多示例诊断模型和基于注意力机制的病灶定位模型,诊断模型中的相似性自适应池化层可以加强区分能力较高的示例特征的学习,弱化区分能力较低示例的影响;病灶定位模型中的病灶注意模块在图像全局信息间建立联系以关注任务相关区域。在两个单任务模型的基础上,建立了自适应任务权重的诊断及病灶定位多任务模型,同时进行分类诊断和病灶分割任务,且自适应的调整任务对模型参数优化的贡献比例。在病灶定位结果的基础上,提出了病灶量化评估方法,利用定量分析的方式计算出病灶区域占肺部区域比例,给出CT影像中感染率及患者病情的发展情况。此外针对神经网络的黑箱性,提出了基于相似度的诊断结果后验方法,根据各示例的属性相似度筛选出对诊断结果判定起决定作用的示例,直观的解释模型做出预测的依据。所提出方法在真实新冠肺炎CT影像数据集CC-CCII上进行了消融和对比实验,结果表明了其有效性和先进性。