新型冠状病毒感染的临床筛查中，获取胸部X光片是一项主要观察手段。在大多数患者中，胸部X光片可显示异常影像，如肺实变，这些异常是新冠病毒所致病毒性肺炎的典型表现。本研究基于大规模数据集，采用深度卷积神经网络，对这类肺炎的影像特征进行高效检测。研究发现，许多简单模型以及文献中多数预训练网络在决策过程中往往关注与诊断无关的特征。本文从多个来源收集了大量胸部X光图像，构建了目前公开可获取的最大规模数据集。最终，基于迁移学习范式，采用经典的CheXNet模型，开发出COVID-CXNet模型。该模型能够基于相关且具有临床意义的特征，实现对新型冠状病毒肺炎的精准检测与定位。COVID-CXNet的提出，标志着向实现全自动、高鲁棒性的COVID-19智能检测系统迈出了关键一步。