近两年来,新型冠状病毒性肺炎已经造成了世界大流行的局面,该病毒最初是2019年末在武汉报道,随后在世界范围内传播。如今,更是有了病毒的变种,且已陆续在多个国家出现,对全球人类的健康构成了重大威胁。因此,新冠肺炎检测的相关研究具有深远且迫在眉睫的现实意义,它不仅可以高效快速地做出判断,还可以为医护人员提供指导信息,同时也在某种意义上对于个体的安全有了保障。为此,有必要提出一种检测系统来快速辅助诊断,从而有利于控制COVID-19的进一步传播。本文采用迁移学习的方法对胸部X射线图像检测任务展开研究,主要创新点如下:（1）收集新冠肺炎、其他肺炎和正常的胸部X射线图像构建新冠肺炎X-Ray数据集,并对训练集样本特有的文字噪声进行降噪处理,对数据集做进一步的扩充与规范化。为了解决数据集样本有限,难以直接进行模型的训练问题并提高训练速度,将在ImageNet数据集上预训练好的神经网络模型学习到的知识迁移到新冠肺炎检测的任务上,提出了一种获取更多特征信息的研究方法,构建了基于迁移学习的ResNet50-cc网络模型。实验结果表明,对基于迁移学习的AlexNet、ResNet、DenseNet以及ResNet50-cc网络训练得到的模型具有更好的表现力。（2）提出了一种基于量子神经网络的检测模型,并将基于迁移学习的量子神经网络应用于新冠肺炎的检测任务中。将基于迁移学习的经典神经网络模型与量子信息的优势相结合,构建了一种新的量子卷积层。该方法在特征提取部分使用经典网络模型中的结构,对于分类器,通过全连接层得到量子卷积层所需要的特征数,进而通过量子卷积层,它将经典数据信息编码为量子信息,通过随机量子电路进行量子计算,再对量子比特解码为经典数据,从而在经典网络模型的基础上增加量子卷积层,构成新的基于迁移学习的量子卷积神经网络。进一步提出了一种新的融合网络模型（TQFNet）,该方法对基于迁移学习的神经网络模型与量子神经网络模型选择性融合,通过投票的方式得到最终检测结果,提高了检测精度。实验结果表明,该方法的检测准确率有所提升,最终分类准确率可以达到95.71%。