目前中国肺癌发病率与死亡率均排在所有癌症首位,因此对于肺癌的诊断与治疗一直是研究的热点。肺癌包含多种组织亚型,每个类别需采用不同的治疗方案,所以准确及时的分类是系统治疗的第一步,也是关键性的一步。临床上,病理组织检查是鉴别肺癌亚型的金标准,但这种侵入性诊断方法不适用于某些病人,而且成本较高、费时费力。因此本文在肺癌分型算法研究的基础上,设计并实现了一款基于深度学习的肺癌亚型分类系统,旨在减轻医生工作负担。首先,介绍了肺癌亚型分类算法的国内外研究现状,目前研究主要采用人工获取特征的放射组学方法和自主获取特征的深度学习方法,并分析了二者优缺点。其次,研究基于Res Net-50的肺癌分型算法。为了探究肺肿瘤及瘤周组织对模型分类性能的影响,本文设计了三种图像预处理方法构建数据集,并利用此数据集设计了对比实验,通过VGG-16、VGG-19、Res Net-50模型验证分类效果,结果表明,Res Net-50网络综合效果最好,但是在数据集类别不平衡时,少数类的分类效果较差。然后,研究基于改进3D-Res Net的肺癌分型算法。从网络结构和数据类型考虑,本文将研究基础网络改为三维卷积神经网络（3D-Res Net）,同时引入正则化方法Manifold Mixup,设计了改进的3D-Res Net网络。这两种改进方法有效解决了网络对少数类分类效果差的问题,F1分数提高了4～5个百分点。结果表明,改进的3D-Res Net网络具有较好的肺癌亚型分类性能,更符合临床应用需求。最后,本文通过分析胸部CT影像诊断的需求,完成了对肺癌亚型分类系统整体框架的设计,开发了系统功能模块,满足用户信息管理、图像基础操作、肺癌亚型分类以及保存修改诊断信息等功能的需求。为验证系统实用性,进行了软件功能和性能测试。结果表明,该分类系统满足临床需求。