مقدمه: COVID-19 تاثیرات مخربی بر سلامت عمومی در سراسر جهان ایجاد کرده است. از آنجایی که تشخیص زودهنگام و درمان به موقع بر کاهش مرگ و میر بر اثر ابتلاء به COVID-19 تاثیر گذار است و روش های تشخیصی موجود ازجمله آزمایش RT-PCR مستعد خطا است، راه حل جایگزین استفاده از تکنیک های هوش مصنوعی و پردازش تصویر است. هدف کلی معرفی مدل هوشمند مبتنی بر یادگیری عمیق و شبکه عصبی پیچشی برای شناسایی موارد مبتلا به COVID-19 و ذات الریه به منظور اقدامات درمانی بعدی به کمک تصاویر پزشکی ریه است. روش: مدل پیشنهادی شامل دو مجموعه داده رادیوگرافی و CT-scan است. تصاویر مجموعه داده مورد پیش پردازش قرار می گیرند و فرآیند تقویت داده روی تصاویر اعمال می شود. در مرحله بعد از سه معماری EfficientNetB4, InceptionV3 و InceptionResNetV2 با استفاده از روش یادگیری انتقالی استفاده می شود. نتایج: بهترین نتیجه به دست آمده برای تصاویر CT-scan متعلق به معماری InceptionResNetV2 با دقت 99/366% و برای تصاویر رادیولوژی مربوط به معماری InceptionV3 با دقت 96/943% می باشد. علاوه بر آن نتایج حاکی از آن است که تصاویر CT-scan از ویژگی های بیشتری نسبت به تصاویر رادیوگرافی برخوردار بوده و تشخیص بیماری روی این نوع داده ها با دقت بیشتری انجام می پذیرد. نتیجه گیری: مدل پیشنهادی مبنتی بر شبکه عصبی پیچشی دقت بالاتری نسبت به سایر مدل های مشابه دارد. همچنین با اعلام نتایج آنی می تواند در ارزیابی اولیه مراجعان به مراکز درمانی به خصوص در زمان اوج همه گیری ها که مراکز درمانی با چالش هایی مانند کمبود نیرو متخصص و کادر درمان مواجه می شوند کمک نماید.