COVID-19 es la enfermedad infecciosa más extendida en el mundo. Existe un período de incubación en la etapa temprana de la infección. En la actualidad, existen algunas dificultades en el diagnóstico de COVID-19. El análisis de imágenes médicas basado en imágenes de tomografía computarizada (TC) es una herramienta importante para el diagnóstico clínico. Sin embargo, el tamaño de la lesión de COVID-19 es más pequeño y la forma de la lesión es más compleja. El efecto del modelo de diagnóstico asistido no es bueno. Para resolver este problema, se propuso un modelo de diagnóstico asistido de COVID-ResNet basado en imágenes de TC. En primer lugar, se diseñó un modelo de atención ResNet mejorado basado en imágenes de TC para centrarse en el área de lesión focal. En segundo lugar, se construyó el bloque SE-Res. Se introdujo el mecanismo de excitación por compresión con la conexión residual en el ResNet. El bloque SE-Res puede mejorar el grado de correlación entre diferentes canales y mejorar la precisión general del modelo. En tercer lugar, se propusieron bloques MFCA (atención de convergencia de características de múltiples capas), que extraen características de múltiples capas. En este modelo, se utilizó atención coordinada para centrarse en la información direccional del área de lesión. Se concatenaron características de capas diferentes para que las características de capas superficiales y profundas se fusionaran. Los resultados experimentales mostraron que el modelo podría mejorar significativamente la precisión de reconocimiento de COVID-19. En comparación con modelos similares, COVID-ResNet tiene un mejor rendimiento. En el conjunto de datos de TC de COVID-19, la precisión, la tasa de recuperación, la puntuación y el valor de AUC podrían alcanzar el 96,89%, 98,15%, 96,96% y 99,04%, respectivamente. En comparación con el modelo ResNet, la precisión, la tasa de recuperación, la puntuación y el valor de AUC fueron mayores en un 3,1%, 2,46%, 3,0% y 1,16%, respectivamente. En experimentos de ablación, los resultados experimentales mostraron que el bloque SE-Res y el modelo MFCA propuestos por nosotros fueron efectivos. COVID-ResNet transfiere las características superficiales a las profundas, reúne las características y hace que la información sea complementaria. COVID-ResNet puede mejorar la eficiencia del trabajo de los médicos y reducir la tasa de diagnóstico erróneo. Tiene un significado positivo para el diagnóstico asistido por computadora de COVID-19.