肺癌是目前癌症中发病率和致死率较高的疾病之一,近年来呈现持续增长的态势。肺癌早期主要是以肺部结节的形式存在,通过对肺结节的筛查是预防和治疗肺癌最为有效的途径,可以极大地降低肺癌死亡率和治疗成本。相较于整个肺部CT图像,肺结节仅占很小一部分区域,且形态各异,使得对肺结节的精准分割具有较大难度。此外,影像医生对肺结节分割时,通常受到主观意识和经验的影响,特别是视觉疲劳的情况下,还容易产生视觉误判。利用图像处理中的分割技术辅助医生对肺结节的诊断,可以降低医生工作强度,提高分割效率,为肺癌的早期筛查提供依据,提升人民生活健康水平。本文主要对现有分割方法进行梳理及总结,以实现肺结节高精度自动化分割为研究目标,提出了新的肺结节分割网络模型,并通过对LIDC-IDRI肺部图像数据集的分割实验来验证模型的有效性。主要研究内容如下:（1）针对U-Net及变体网络对不同类型肺结节分割鲁棒性不强以及特征融合效果不佳的问题,提出了一种RFU-Net网络模型。首先将网络的上、下采样次数调整为3次,网络扩展为有两个编码-解码单元的网络结构,并在两个子网络同尺度特征层之间以特征图对应像素点相加的方式进行融合,使网络保留更多的肺结节特征信息;其次利用改进的残差块作为卷积层来缓解梯度爆炸问题,使网络提取更高层次的语义信息,加快了网络的训练速度;然后在网络左侧将特征金字塔提取的不同层次特征与后续编码结构的各层输入信息进行拼接,加强了各层对特征信息的复用能力,从而提升了网络的特征传递效率;最后在网络右侧将不同层次的特征图像进行融合,增强网络的特征表达能力。通过消融实验和不同类型肺结节对网络分割性能的验证,证明了所提RFU-Net模型在分割精度上优于U-Net。（2）针对RFU-Net模型对粘连血管型结节和贴壁型结节分割时出现过分割和欠分割问题,将RFU-Net模型与自注意力SE模块和空洞空间金字塔模块相结合,提出了一种RSAU-Net网络模型。所提RSAU-Net模型可对背景等非目标特征进行抑制,增强对肺结节目标区域的特征表达,同时能够在不同尺度中提取图像上下文信息,从而增加模型对肺结节细节特征的提取能力,并较好地抑制与分割无关的特征信息。此外,对RFU-Net中使用的原损失函数进一步做出改进,添加对过分割和欠分割的相关抑制权重。通过对RSAU-Net模型进行消融实验和不同类型肺结节的分割实验,证明了RSAU-Net模型在提升分割精度的同时还能对欠分割和过分割有所抑制。（3）针对目前肺结节分割自动化程度不高且分割精度低的问题,在本文提出的分割方法的基础上,设计了一个辅助医疗诊断的肺结节自动分割系统。该系统主要功能模块由图像输入模块、图像预处理模块和肺结节分割模块组成。该系统可快捷有效地对肺结节实现自动化分割,从而减轻影像医生的工作强度,得到更准确地分割结果。