近十几年来我国恶性肿瘤发病率每年保持约3.9%的增幅,其中肺癌居首位,已是我国发病率及死亡率最高的癌症。肺段切除术是当前治疗肺癌最主要的方式之一。从胸部CT图像中准确地重建三维肺部解剖结构,有利于病变位置的精确定位,可为肺段切除术的术前规划、术中导航提供有效参考。目前,临床中肺血管三维重建主要依赖大量的人工交互操作,整个过程效率低下、繁琐耗时。因此,自动、快速、准确的提取肺血管及其动静脉结构具有重要的临床应用价值。随着深度学习技术的不断发展,为医学图像的处理提供新的解决思路。本文基于深度学习技术,围绕肺血管分割和动静脉分离展开如下的研究:针对肺血管结构复杂且由于某些肺部病变导致血管结构多样化的情况,提出了一种结合多尺度特征和注意力机制的肺血管分割网络。首先,针对肺血管结构细小、形状复杂等特点,通过融合不同分辨率的特征来适应不同结构血管的学习,提升网络对血管的表征能力;其次,针对CT图像对比度不高和病灶区域的影响,在改进的网络中嵌入注意力机制,对图像空间和特征通道进行权重自适应调节,使网络更关注任务相关特征,有效抑制无关信息的干扰,从而提升网络对于肺血管的分割精度。最后,在平扫和增强CT数据集上验证提出方法的性能,并分析了网络中多尺度特征聚合模块和注意力模块对于整体分割性能的影响,实验结果表明了方法的有效性和优越性。由于CT图像中动静脉特征相似且部分存在相互缠绕、黏连等特点,提出一种联合卷积网络模型的肺动静脉分离方法。在肺全血管分割的基础上利用快速行进法提取中心线,采用26邻域检索技术遍历中心线构建血管拓扑图,同时标记分叉点去除动静脉黏连区域。并设计卷积神经网络和图卷积网络的联合模型,使网络更有效地学习图像体素特征和节点之间的拓扑关系,考虑到动静脉的管状结构特性,在联合网络中引入三维循环卷积层提取管状特征信息,进一步提升网络的分类性能。在自建数据库和公开数据集CARVE14上验证所提出方法的性能,并对整个肺动静脉分离结果进行三维可视化显示,表明方法的有效性,具有良好的临床应用价值。