چکیده: کووید-19 یک بیماری تنفسی است که ریه‌ها را تحت تأثیر قرار می‌دهد و می‌تواند منجر به مشکلات تنفسی و عفونت‌های ریوی شدید شود. این ویروس که اواخر سال 2019 شناسایی شد، جان میلیون‌ها نفر را گرفت. با وجود توسعه واکسن‌ها و بهبود روش‌های درمانی، همچنان خطر ابتلا به ویروس، به‌ویژه برای افراد با مشکلات پزشکی زمینه‌ای، وجود دارد. کووید-19 به چهار دسته شامل نهان (توسط پزشک تشخیص داده نشده ولی فرد بیمار است)، خفیف، متوسط و شدید تقسیم شده-است. تشخیص شدت کووید-19 برای ارائه خدمات ضروری به بیماران، بهبود نتایج درمان، کاهش عوارض بیماری و مرگ و میر مرتبط با ویروس بسیار مهم است. در واقع، ارزیابی صحیح شدت بیماری می‌تواند به تخصیص بهینه منابع بهداشتی و درمانی، انتخاب روش‌های درمانی مناسب و نظارت دقیق‌تر بر بیماران منجر شود. با این حال، تعیین شدت کووید-19 چالش‌برانگیز است، زیرا تشخیص شدت خفیف و نهان مشکل است. برای بهبود تشخیص شدت کووید-19، در این پایان نامه یک روش جدید به نام DA-COVSGNet معرفی شده است. در روش پیشنهادی، ابتدا تصاویر اشعه ایکس با استفاده از روش‌های CLAHE و SMOTEپیش‌پردازش شده و سپس این تصاویر به بخش استخراج ویژگی شبکه عصبی پیچشی وارد می شوند. همچنین از مکانیزم‌های توجه مکانی و فضایی جدید برای بهبود تمایز و طبقه‌بندی سطوح شدت بیماری استفاده شده، که این امر منجر به دقت بالاتری در شناسایی دسته‌های شدت بیماری می‌شود. این مکانیزم‌ها به مدل اجازه می‌دهند تا بر روی بخش‌های مهم تصویر تمرکز کرده و اطلاعات مرتبط را با دقت بیشتری استخراج کند. در نهایت، روش پیشنهادی بر روی مجموعه داده COVIDGR ارزیابی شده است. نتایج نشان می‌دهد که روش پیشنهادی دقت‌هایی به ترتیب 96.7%، 96.2%، 98.5% و 95.2% را برای دسته‌های نهان، خفیف، متوسط و شدید به دست آورده است که نسبت به بهترین روش قبل یعنی AANet به ترتیب در دسته-های نهان، خفیف و متوسط افزایش 36.7%، 22.5% و 7.1% داشته است.