始于2019年的新型冠状病毒肺炎（COVID-19）仍在肆虐全球,早期对患者进行识别、隔离及治疗被认为是抵御这种流行病的关键手段,目前迫切需要一种准确快速且低成本识别受该疾病感染患者的方法。本文结合现实需求,针对新冠肺炎识别与诊断这一课题,从新冠肺炎特征表征、肺部软组织语义分割及新冠肺炎阳性患者病变位置定位三个层面进行了研究,提出了基于深度学习的新冠肺炎X-ray图像识别算法,并完成了新冠肺炎识别与诊断系统的设计与实现。本文的主要研究工作和创新点可以概括如下:1)对新冠肺炎识别效果进行了研究。本文针对新冠肺炎的识别问题,对比分析了多种不同的图像分类模型,从识别准确率、识别速度及学习速度等维度讨论了不同模型各自的优势与不足。2)对Inception V3网络进行了改进,提出了基于Mobile-Inception V3网络的新冠肺炎X-ray图像识别算法。改进后的网络具有泛化能力强与学习速度快的优势,结合本文提出的基于多算法融合的图像预处理算法,在Kaggle多个新冠肺炎数据集上进行的实验结果显示,该算法达到了98.77%的准确率,识别7200张图像只需16.37秒,优于对比算法。3)对肺部软组织语义分割效果进行了研究。本文针对肺部软组织的分割问题,对比分析了多种不同的语义分割模型,从分割交叉比、分割速度及学习速度等维度讨论了不同网络的优势与不足。4)对新冠肺炎阳性患者病变位置定位效果进行了研究。本文针对新冠肺炎阳性患者病变位置的定位问题,采用了Grad-CAM特征可视化技术进行弱监督分割实验,并根据医学先验知识对其进行了改进,该方法对病变位置有较好的定位效果。5)在算法工作的基础上,设计并实现了新冠肺炎识别与诊断系统。该系统对新冠肺炎阳性图像有较高的识别准确率与较快的识别速度,有效帮助临床医生进行辅助诊断,提高了对于新冠肺炎阳性患者的识别准确率,降低了临床医生二次感染的概率。在Kaggle多个新冠肺炎数据集上进行的实验结果表明,即使训练图像质量不一且数量较少,本文系统也可以准确快速识别受该疾病感染患者。经过理论研究、算法设计、实验分析及系统实现,达到了本文的目标,为后续新冠肺炎识别与诊断课题的进一步研究提供了参考。