肺癌是所有癌症中发病率和死亡率最高的癌种,严重地威胁了人类的健康安全。肺癌患者的五年生存率仅约为15%,但经规范化治疗的早期肺癌患者,其五年预期生存率接近90%。借助影像学技术对人体进行筛查,可以有效地发现早期肺癌症状,是降低肺癌患者死亡率的重要手段之一。低剂量螺旋计算机断层扫描（Computed Tomography,CT）是国际公认的提高早期肺癌检出率的影像学检查方法,利用CT影像可以有效地判断早期肺癌是否存在,对肺癌特征进行跨时期的纵向对比后揭示肿瘤的生长规律,对于制定相应治疗方案具有重要意义。然而,目前现有的肺部病灶计算机辅助智能诊断处理技术,大多是针对独立时期的影像片段,忽略了病灶随时间逐步演变的特征和发展趋势的研究。本论文从医学图像处理方法着手,主要针对肺癌的智能筛查和辅助诊断进行研究。在与合作医院深入交流后,通过以肺癌CT影像为主,结合正电子发射型计算机断层显像（Positron Emission Computed Tomography,PET）影像的多模态数据的分析以及机器学习相关技术理论进行研究,探索CT影像序列内病灶分割方法,构建肿瘤恶性分级和分期分类的诊断模型,进一步研究基于肺部序列CT影像的纵向预测,实现早期肺癌的预警。具体而言,主要研究工作和成果包括如下几点:（1）针对目前现存肺结节分割方法都是旨在分割某种单一类型的肺结节,缺少结节分割普适性的问题,本文提出了一种通用型结节分割方法——基于双注意力机制的分割对抗网络模型（Segmentation Adversarial Network with Dual Attention）。该方法主要包括分割网络模块和鉴别网络模块两部分,其中分割网络模块首先会对CT图像中的肺结节进行分割,鉴别网络模块则会根据分割后的肺结节与金标准之间的距离,测定出两者的差异作为分割网络性能的优劣指标,并反馈回分割网络,进而调整分割网络的参数,两者迭代对抗训练,最后实现肺结节的分割。在得到分割结节的结果后,本文使用视觉注意力与空间注意力改善分割结果,其中视觉注意力主要提取肺结节的语义特征,而空间注意力则是提取肺结节在CT序列中的空间特征。最后分割像素精度达到了90.14%,实验结果显示,本文方法能够有效地将肺结节从CT图像中分割出来,增加双注意力机制后的分割对抗网络可以提高肺结节的分割效果。（2）针对目前已有肺结节良恶性识别算法精度复杂性较高,且不可解释性较强等问题,本文设计了一种基于加权集成分类的肺结节恶性度分类算法。该方法不同于以往的肺结节诊断方法,不是直接对肺结节进行良恶性分类,而是对肺结节的恶性程度分级,使用降噪自编码器、残差网络、灰度共生矩阵、几何参数来表征肺结节的特征,使用不同分类器对提取到的特征进行分类,根据分类器的错误率动态调整分类器在集成模型中的权重,最终集成为肺结节自动诊断模型。为了验证方法的有效性,本文从收集到的数据集中提取到的肺结节图像以及对应的标签进行了验证。通过对比实验、方法内部的消融实验以及不同模型的选择等多方面的实验,其中准确度达到了93.10%、精确度达到了83.85%、敏感度达到了81.75%,综合验证了本文提出的集成方法切实有效。（3）针对PET和CT单一模态影像对于肿瘤特征的表达不同以及对于肺腺癌分期诊断不足等问题,本文设计了一种基于孪生金字塔网络（Siamese Pyramid Network）的PET-CT图像融合方法,并对肺腺癌进行了分期分类。该方法在传统的孪生卷积神经网络中加入了特征金字塔变换操作,用以提取图像的多尺度信息,并使用了互相关操作对提取到的特征进行融合。在设计目标函数时,本文考虑到了图像融合问题的性质,引入了图像结构相似性作为目标函数,并加入了L1正则化以提高图像的质量。融合后的定量指标和与其他方法的定性比较都表明了本文所提方法能够有效地融合两种模态的医学影像,且在细节上的呈现也有较好的性能。此外,本文还验证了PET-CT融合后的图像对于分期诊断能力相对于单模态图像确有提高作用。（4）针对单点时间的影像无法充分表征肺腺癌的发展过程,本文提出了一种基于图像序列编解码模型的肿瘤纵向预测方法。通过对早期肺部肿瘤提取到的良恶性特征以及肿瘤的分期特征,利用编码-解码结构,将高维复杂的肿瘤序列CT影像映射到浅层的特征空间内,利用浅层可表示的肿瘤特征代表原始的肿瘤进行预测,并将预测后的肿瘤有效地重构回原始图像。通过条件循环单元与基于流的模型分别实现肿瘤特征的前瞻性预测与回顾性预测,进而恢复出肿瘤各个时期的病灶,完成肿瘤跨时期的生长演变规律建模,探索肿瘤序列影像在时间维度上的演变过程。通过在合作医院收集到的随访数据进行实验,结果表明,所提方法能够有效地实现肿瘤的纵向预测。最后,本文归纳总结了所做的工作,同时展望了未来工作的方向,并进行了进一步的研究计划讨论。