计算机断层扫描（CT）影像技术在医学影像检测、分割、分类等诊断任务扮演着至关重要的角色,为医生在临床上的诊断提供了强有力的证明,尤其是在新型冠状病毒肺炎（COVID-19）近两年的流行期间,人工智能技术（AI）在CT影像学上的优异表现更是为COVID-19的快速遏制贡献了巨大的力量。即利用AI深度学习技术从CT影像中自动精准地分割出感染病灶区域,将有助于医生更精准的诊断和治疗。但是深度学习技术在COVID-19病灶分割任务中往往存在以下挑战:1)组织边界信息弱且无规则。CT影像上COVID-19病灶更多呈现磨玻璃样,导致病灶边界与周围的组织器官边界模糊;2)疾病初期导致的医学影像小数据问题。疫情的突然爆发导致可用于深度学习任务的标注数据缺乏,小数据问题限制了模型的训练;3)条件限制导致的数据无标注问题。COVID-19精准的病灶标注数据往往需要专家来完成,很耗时耗力,导致大量的数据无精准的像素级别标注。针对以上挑战,本文提出了一系列深度学习方法和技术来解决这些问题。主要有三个方面:1)设计了一个以改进的残差模块为组件的骨干网络,同时多个全局上下文感受野特征提取模块作为桥梁,以并行方式融合通道注意力和空间注意力机制的特征融合模块为解码器的卷积神经网络模型来完成CT影像上病灶分割任务,以此来解决第一个挑战问题;2)采用了两步跨领域数据的迁移学习技术来解决COVID-19初期导致的医学影像小数据问题;3)针对大量已有的无标签数据,设计了一个动态为无标签数据生成伪标签的半监督学习策略,并采用伪标签数据预训练加真实标签数据微调的迁移学习策略来提高模型的性能。为了验证本文提出模型的分割性能,在MosMedData数据集上与五个经典的医学图像分割模型进行了定量和定性比较,本文方法分别在DSC、SEN、SPE、PPV、VOE和RVD六个医学图像分割评价指标上取得了优异的结果。同时,通过设计不同步骤的迁移学习策略,在DSC上结果显示两步跨域迁移学习比一步迁移提高了1.63%,而比完全不迁移提高了4.32%,同时在其他指标上均得到了一定幅度的提升,证明了两步跨域迁移可以有效缓解医学图像小数据问题。最后,通过为半监督学习下生成的伪标签数据设计一系列的训练策略,显示使用伪标签数据进行模型预训练和真实标签数据微调策略下模型分割性能分别在DSC、SEN、PPV和VOE上提高了5.93%、5.77%、7.91%、8.05%,证明了半监督学习算法不仅可以提高模型分割性能,同时可以有效解决数据无标注的问题。