针对受肺肩区域、胸膈角及肋骨影响的胸部肺野分割问题，提出了一种基于改进U-Net的肺野分割算法。首先，用inception模块代替U-Net编码块中的卷积层，在增加网络宽度的同时捕获更多的图像特征。然后，在编码块与解码块中引入残差网络，提升网络深度的同时保证网络稳定；在编码与解码之间用跳跃连接增强特征的传递和利用，解决编码部分连续下采样中的胸部肺野特征丢失问题。最后，在编码与解码部分结合通道和空间注意力机制对图像特征进行重标定，有效提高了算法的分割精度。实验结果表明，相比其他分割算法，本算法的分割性能更好，在公开Montgomery County数据集上的准确率、召回率、特异性、平均交并比分别为98.90%、97.81%、99.28%、97.17%。

随着新冠肺炎的蔓延, 为了准确诊断新冠肺炎, 本文提出了一种改进的基于卷积神经网络的新冠肺炎识别算法即ARS-CNN算法。该算法在CNN网络结构的基础上, 加入了新的功能模块: 首先, 为了捕获不同感受野的多尺度特征信息并加强网络对图像特征的利用, 提出了跳跃连接RFB结构; 其次, 通过短连接aspp模块来改善网络在特征提取过程中图像分辨率减少所导致的局部信息丢失的问题; 最后, 将注意力机制GC模块与sSE模块进行融合实现对特征信息的筛选并完成特征信息之间的交互, 从而提高新冠肺炎识别精度。在公开的COVID-19 胸部X光数据集(Chest X-ray Database)上的实验表明, 本文所提出的算法的加权平均准确率、精准率、召回率、FI分数、特异性分别为98.22%、97.91%、9795%、97.92%、98.33%。与其他分类算法相比, 本文所提出算法能够对肺部疾病进行高效识别, 具有更高的识别性能。