肺癌是目前所有癌症类型中对人类的健康和生命最具有威胁性的恶性肿瘤。医生长期积累的临床经验表明,肺癌患者的生存率与其首次确诊时肺部肿瘤的癌化程度紧密相关,及早发现、正确诊断和规范治疗能够有效提高患者的存活几率。肺结节是肺癌早期的病灶表现形式,而计算机断层扫描（CT）是进行肺癌筛查最常用的影像学检查形式,将肺结节计算机辅助诊断技术应用于肺癌早期的影像学诊断,具有重要的临床意义。本课题通过研究和分析现阶段胸部CT影像中肺结节辅助诊断的关键技术,对肺结节辅助诊断中所涉及的分割和分类的关键环节提出了一系列改进方案,有效提升了辅助诊断的准确性。针对体积较小的肺结节在网络下采样过程中容易丢失,以及标准U-Net网络对CT影像不同层级的特征提取不充分的问题,提出了一种基于双向增强特征融合的U型肺结节分割网络:BiEFP-UNet。首先,设计双向增强型特征金字塔网络,并用该网络替换标准U-Net的跳跃连接结构,实现网络对肺结节不同层次特征的有效提取;然后,用Mish函数替换U-Net结构中的Re LU函数,消除网络在反向传播中梯度消失的问题,并进一步提高网络的训练效率和分割精度。结果表明:BiEFP-UNet网络的分割性能良好,分割效果接近医生手动分割的金标准,DSC、SEN和PPV分别为88.32%、96.24%和84.96%。针对肺结节形状大小各不相同、边缘纹理等细粒度特征难以提取,以及深度神经网络（DNN）在训练过程中容易出现性能退化等问题,提出了一种融合双注意力机制的肺结节分类网络:DA-ResNet。首先,改进标准ResNet-50的残差结构,在残差结构的恒等映射路径增加一个步长为2、内核为2×2的平均池化层,防止DNN出现梯度爆炸或梯度消失;然后,将CBAM双注意力网络引入残差结构之后,提升深度神经网络对肺结节整体特征和局部特征的感知力;最后,优化网络的激活函数和正则化策略,进一步提升网络的分类能力。结果表明:DA-ResNet的网络的分类性能良好,准确率和精确率分别为96.86%和95.82%。本文根据CT影像中肺结节的分类及特点,利用医学图像的分割和分类技术开展研究工作,提出了BiEFP-UNet肺结节分割网络和DA-ResNet肺结节分类网络,借助计算机强大的计算和分析功能训练并验证肺结节分割和分类的网络模型,实现了对CT影像中肺结节的辅助诊断,为医务人员提供了诊断依据和参考意见,具有一定的实际临床意义。