肺癌是对人类威胁最大的肿瘤疾病之一,肺结节是肺癌早期的临床表现,医生可以通过对肺CT图像的观察分析判断肺结节的良恶属性,及时控制病人病情。人工观察CT图像完成病情判断不仅工作量大、耗时长,而且诊断结果因人而异,具有主观性。因此,将深度学习引入肺结节良恶性分类工作中对提升肺癌早期筛查率具有重要意义。本文研究了基于BBCLSTMU-net网络的肺结节分割算法和基于迁移学习的小样本肺结节良恶性分类算法,实现了对肺结节良恶性的精准分类。主要研究内容如下:第一,分析肺结节图像特点,结合阈值分割法与形态学方法预处理肺结节数据集,通过阈值的差异把图像分割为黑白两部分,腐蚀操作分离附着在血管上的肺结节,膨胀操作填充小型黑斑并修补小裂缝,为后续研究肺结节分割方法奠定了基础。第二,针对在肺结节图像分割中Unet模型未能充分利用编码层之间的权重关系和语义信息导致分割精度不足问题,提出一种基于BBCLSTM-Unet的肺结节分割方法。该方法使用并联注意力模块完成更大范围肺结节图像信息编码和采样关联通道信息权重重设,利用BBCLSTM结构组合特征映射,融合前向与后向的输出采样得到最终的分割结果,同时设计混合损失函数缓解类不平衡问题。实验结果表明,BBCLSTM-Unet网络在LUNA16数据集上平均Dice值达到了90.83%,优于原U-net网络。第三,针对自然图像与肺结节CT图像HU值相差较大的特点,提出一种结合自编码器与K-Means聚类算法的小样本肺结节图像增强方法。此方法引入自编码器对自然数据集与肺结节数据集降维,应用K-Means聚类算法提取出与肺结节数据集相似的自然数据集。使用这部分数据集完成VGG16分类模型预训练,缩小分类模型参数与理想参数差距。第四,针对肺结节数据数量小而深度学习网络训练需要使用大量数据的问题,提出一种基于迁移学习的小样本肺结节良恶性分类算法。为降低小样本训练中常出现的过拟合风险,该方法首先对肺结节图像进行旋转增强,同时改进VGG16模型,降低模型的参数量。最后,使用与肺结节数据集相似的自然数据集完成对改进VGG16模型的迁移学习逐块微调,确定最佳分类网络。实验结果表明,相比于保留第一、前三、前四、前五个卷积-池化块参数,微调其它层数参数,保留前两个卷积-池化块参数的改进VGG16网络分类效果最佳,可以达到93.6%。