自2019年末以来,全球蔓延的新型冠状病毒（Coronavirus disease 2019, Covid-19）已经给世界人民造成了严重的健康威胁.其中新型冠状病毒患者的计算机断层扫描（Computer tomography, CT）图像通过肺炎病灶分割技术可以为医学诊断提供有价值的量化信息.虽然目前基于深度学习的方法已经在新型冠状病毒肺炎病灶分割任务上取得了良好的效果,但是在面对不同中心数据的情况下分割效果往往会大幅下降.因此,研究一种具有更好泛化性能的新型冠状病毒肺炎病灶分割算法具有重要意义.提出一种新冠肺炎病灶多模型融合分割方法.通过训练3DUnet模型和2DUnet结合方向场（Direction field, DF）模型,利用多种模型各自优点进行分割结果的融合,得到更好的泛化性能.通过同中心和跨中心数据集的实验,证明该方法能够有效提高新冠肺炎病灶分割的泛化性能,为医学诊断分析提供帮助.