针对新冠病毒感染肺部CT图像感染区域分割精度低，小目标分割困难等问题，提出了一种改进CENet分割模型。首先，在编码阶段加入注意力机制挤压和激励(SE)模块引入全局上下文信息，增强特征提取阶段的感受野，加大目标相关特征通道的权重，从而提高小目标的分割能力；其次，引入特征聚合模块(FAM),采用双线性插值的方法，融合了不同层次的图像特征，得到更具有判别能力的表达，进一步提高网络的分割精度。基于COVID—19—CT-Scans数据集的实验结果表明：该算法分割结果与真实结果之间的重叠率Dice值为74.32%,平均交并比(MIoU)为80.34%,灵敏度(Sen)为84.25%,特异性(Spec)为99.14%。与现有的多种分割算法相比，该方法能更好地分割出新冠病毒肺部感染区域。