肺癌是一种世界性的高发疾病,死亡率更是居高不下。早发现,早治疗是提高肺癌的治愈率和延长患者生命周期的重要手段,而肺结节是肺癌早期的主要表现形式,因此,对肺结节的早期诊断分析是提高肺癌患者生存率的关键。利用计算机断层扫描技术(Computed Tomography,CT)筛查肺结节是目前通常采用的诊断方法。随着患者的日益增多,肺部CT数据也在呈指数级地增长,无疑给医师的人工筛查工作带来了巨大的挑战和负担,因此使用计算机辅助诊断(Computer Aided Diagnosis,CAD)技术进行肺结节检测分割十分必要,能极大的提高医师的诊断效率并进一步提高肺癌诊断的准确率。由于肺结节在尺寸、形状上的多变性以及与肺部血管等组织的相似性。在使用传统分割方法进行肺结节分割时,过于依赖医师的先验知识及主观判断,导致容易出现漏分割和过分割的情形。利用深度学习算法的分割过程不再需要人为选择特征,并且能够提取到更具体、更有辨识度的信息,将深度学习算法用于医学图像分割现已成为一个重要的研究方向。U-Net网络因结构简单、泛化能力强,已广泛应用于医学图像处理领域。本文基于U-Net模型完成了对肺部CT图像的肺结节分割算法的研究。本文主要的研究内容包括如下三部分:第一,针对U-Net模型在肺结节分割过程中可能出现网络退化及分割效果不佳问题,本文在U-Net模型基础上设计了一种新的网络模型结构RIU-Net,该模型结合了残差网络(Residual Network)和Inception网络的优势,使用残差及并列卷积来替换普通神经单元作为基本结构单元,并将原始U-Net中二维卷积操作改为三维卷积操作。残差网络的引入在一定程度上避免了网络模型训练过程中出现的梯度消失问题,同时对网络模型的收敛起到了加速作用;Inception模块能够将网络模型中卷积层并列,使得并列后卷积层拥有不同尺寸的卷积核,进而使网络模型具备多尺度的适应性;三维卷积操作提升了模型对三维医学图像空间信息的提取能力。另外,模型引入的批量标准化层(Batch Normalization,BN)使得神经网络损失函数空间更加平滑,增加了模型的鲁棒性。实验结果表明,RIU-Net模型较UNet模型在肺结节分割精度上得到了有效提高。第二,针对RIU-Net模型在特征利用上效果较差,缺乏针对性,本文结合挤压和激发结构(Squeeze-and-Excitation,SE)和金字塔池化模块,在RIU-Net基础上,设计了网络模型结构RISEU-Net。与RIU-Net模型相比该模型具有更大的感受野面积,并且通过对特征通道加权操作能够抑制图像中无用的特征。另外设计了新的损失函数,减少网络模型中的过分割与欠分割情况。实验结果表明,该模型较RIUNet模型在肺结节分割精度上有了进一步的提升。第三,针对上述分割模型得到候选区域中存在大量假阳性肺结节的问题。本文设计了一种基于3D CNN肺结节假阳性筛查模型,对分割的结果进行进一步的筛查,判断分割所得到的肺结节候选区域是否为真正的结点。实验结果表明,对分割模型生成的候选肺结节进行分类能有效的降低肺结节假阳性数量。