针对肺部新冠病灶在医学成像中具有大小不均匀、多集中于肺部边缘且灰度与胸腔灰度相近的特点，提出一种基于U-Net改进的用于肺部轮廓分割和新冠病灶分割的网络模型。所提出的方法采用加深的编解码路径，使用带有残差连接的编码器子模块代替原始U-Net的标准卷积单元。为了提高高级特征的表征能力，在编码器和解码器中间加入自注意力机制，来学习特征的内在关系。整理一个用于分割训练的数据集，共2　973张新冠肺炎患者的肺部CT图片。实验结果表明，所提出的网络在肺部轮廓分割实验的Dice系数和F1系数分别达到了98.70%和98.89%，在新冠病灶分割实验中分别达到了87.47%和87.81%，优于其他对比模型。