Desde el brote de COVID-19, el coronavirus ha representado una amenaza masiva para la vida de las personas. Con el desarrollo de la tecnología de inteligencia artificial, identificar características clave en imágenes médicas a través del aprendizaje profundo, los casos de infección pueden ser evaluados de manera rápida y precisa. Este documento utiliza enfoques basados en el aprendizaje profundo para clasificar imágenes de radiografías de tórax de COVID-19 y normales (saludables). Para extraer de manera efectiva las características de las imágenes de radiografías médicas y mejorar la precisión en la detección de imágenes de COVID-19, este documento extrae las características de textura de las imágenes de radiografías basadas en la matriz de co-ocurrencia de niveles de gris y luego realiza una selección de características mediante análisis de componentes principales (PCA) y algoritmos de incrustamiento estocástico de vecinos t-distribuidos (T-SNE). Para mejorar la precisión en la detección de imágenes de radiografías, este documento diseña un modelo de detección de imágenes de radiografías de COVID-19 basado en el mecanismo de autoatención de múltiples cabezas y en la red neuronal residual. Aplica el mecanismo de autoatención de múltiples cabezas a la capa de cuello de botella de la red residual. Los resultados experimentales muestran que el modelo de detección de red residual de autoatención de múltiples cabezas (MHSA-ResNet) tiene una precisión del 95.52% y una precisión del 96.02%. Tiene un buen efecto de detección y puede realizar las tres clasificaciones de neumonía por COVID-19, neumonía común y pulmones normales, demostrando la efectividad y practicidad del método en este documento.