肺癌是目前所有疾病中对人类威胁最大,却极难治愈的肿瘤疾病之一。及早发现和尽快治疗是当下仅存的防治肺癌最奏效的措施,肺癌在发病初期主要的表现形式是肺结节,医生可以通过对胸部CT的观察和分析对早期肺癌进行及时诊疗。然而,随着肺部CT图片数量的激增,单纯依靠人工从大量CT图片中进行筛查、判断几乎是不可能的。基于深度学习的计算机辅助系统能够对CT图片进行初步的选取处理,可以大大减轻医生负担,降低医生误诊、漏诊率。因此,论文围绕肺部CT图像基于深度学习在计算机辅助诊断系统中的运用展开研究,研究内容包括肺结节CT图像的分割与分类。传统的U型编码-解码器结构的分割网络中,特征融合部分是特征图恢复尺寸然后直接拼接,这样的特征融合方式在处理肺结节这样边缘模糊的小目标物体并不能起到很好的特征提取效果,CT图像经过分割后可以去除噪声为后续分类提供更精确的肺结节数据图;其次,深度学习中不同模型、不同注意力机制对同一图像进行特征信息提起时的侧重点也不同,所以,融合几个合适的模型可以对肺结节这样精细的小目标进行更为全面的特征信息提取。本文提出了一种嵌入注意力机制的多模型融合网络来对肺结节进行良恶性分类。该分类方法先通过肺结节分割,去除肺部CT中的无关组织,得到肺结节细节特征图,将其作为之后多模型输入的一支。然后,构建嵌入空间、通道注意力机制的多模型融合网络框架对分割后肺结节（64×64）和经过预处理的原尺寸大小（512×512）肺结节进行分类。本文将CT图像肺结节良恶性分类方法分为两个阶段进行介绍,第一阶段是肺结节分割;第二阶段是肺结节良恶性方法研究。第一阶段,针对传统U型编码-解码器分割模型特征融合时,高、低级特征图特征存在的语义、抽象特征差异,直接通过上采样等操作进行尺寸恢复会产生分辨率差异导致特征融合效果差的问题,提出了一种融合密集交叉连接结构和高级语义嵌入结构的DSF-UNet（Dense SEB Fusion-UNet）模型。选取在医学图像处理中表现良好的U-net作为分割模型基础框架,在特征提取阶段引入稠密连接模块和高级语义嵌入模块,既能高效的进行跨层融合,也兼顾到肺结节自身的细节信息。通过实验对比,提出的基于特征融合的肺结节分割方法能够准确地分割出肺结节区域,Dice相似系数值、精确率和召回率分别达到了87.54%、86.93%和86.67%。第二阶段,针对CT图像中肺结节因边缘模糊、特征不明显造成的分类效果有偏差的问题,本文提出一种嵌入注意力机制的多模型融合方法。该方法将原始CT图像进行肺实质分割和上一步分割得到两种不同尺寸的图像,分别输入到空间注意力模型和通道注意力模型进行训练,其中,空间注意力模型着重于提取肺结节在CT图像中的空间位置信息,通道注意力模型着重于提取肺结节的细节特征。最后将两个模型提取的特征进行融合,用于得出良恶性分类结果。经过大量实验表明,这种多模型融合方法能很好地提取到肺结节在CT图像中的位置信息和自身的边缘特征。实验结果表明,该模型框架的准确率、敏感性、特异度分别可以达到95.53%、95.87%、95.22%,该方法相较于传统的网络模型取得了更好的分类效果。