新冠肺炎（Coronavirus Disease 2019,COVID-19）是一种急性呼吸道传染病,目前已蔓延至多个国家,严重威胁着全世界人民的健康。计算机断层扫描技术（Computed Tomography,CT）检测COVID-19灵敏度高,可用于疫情严重区域的快速诊断。目前临床急需一种CT辅助分析工具来提供可靠的COVID-19诊断信息,以缓解大量CT影像造成的人工诊断压力。基于CT影像数据,本文首先提出了基于多任务学习的COVID-19诊断和疾病严重性定量评估网络;然后进一步探索病变分割研究,提出了基于混合特征交叉融合的COVID-19病变分割网络,进行有监督学习;最后,针对不同中心数据间的域偏移问题,引入无监督域适应方法增强分割网络的泛化性能。具体工作如下:（1）考虑到疾病诊断和严重性评估在临床实践中的相关性,本文提出了基于多任务学习的COVID-19诊断和疾病严重性定量评估网络。该网络首先提取任务共享特征,然后设计诊断分支和评估分支探索任务特定信息。诊断分支利用多个级联卷积块进行疾病识别,并结合块内特征和类别权重生成不同尺度的激活特征,为评估过程提供指导信息;评估分支引入注意力嵌入模块对多个特征进行有效融合,使网络聚焦病变信息以提升训练效率和预测性能。提出的方法获得了87.80%的识别准确率和66.46%的评估多分类F1分数,优于比较的分类方法。（2）已有的分割方法主要基于切片数据训练,忽略了CT体积数据中的空间结构信息,3D网络能充分探索空间信息,但存在计算成本高、收敛速度慢的问题。为此,本文设计了2D多尺度子网和3D轻量级子网,并聚合两者提出了基于混合特征交叉融合的COVID-19病变分割网络。该网络联合学习切片间和切片内病变特征,并设计交叉融合模块进行两种维度特征的双向信息交互,实现优势互补从而提取更丰富的COVID-19病变特征。实验结果表明提出的方法能准确分割不同大小的病变,显著提升了分割性能,获得了74.85%的Dice分数。（3）针对不同中心数据的域间偏移和域内差距,本文提出了基于多聚类中心特征和近邻语义关系的特定化对齐网络和基于域原型的自适应对齐网络以提高模型泛化性能。前者通过向目标样本嵌入源域多个聚类中心特定辅助信息,使其自动向相似度大的源域样本对齐,并在分割结果的近邻关系图上进行对抗学习对齐结构信息,减少域偏移。后者通过源域原型结合判别器置信概率自适应地向目标样本提供域级别辅助对齐信息,保证源域和目标域样本的紧凑性,并设计概率更新策略提高原型的判别性。实验结果表明提出的两个方法在三个数据集都取得了比已有方法更好的结果,并且自适应对齐网络的性能更优越。