肺癌是最为常见的癌症病症之一,长期位居我国癌症死亡率第一。肺癌早期症状不明显,使用计算机断层扫描（CT）图像进行检测是早期诊断肺癌和改善生存时间的重要策略。肺结节的准确分割对于肺癌的诊断和治疗极为重要。然而CT图像识别与诊断的过程费时费力,需要大量的人机交互,因此开发一种准确且一致的自动分割模型对挽救病人的生命具有重要的意义。肺结节种类繁杂,不同结节的形状和质地差距较大。结节形态的模糊性以及肺壁、血管等背景噪声的影响使得结节的准确分割对于人类和计算机而言仍然具有挑战性。在本文中,我们研究了结合图像处理和深度学习的肺结节分割方法。首先,我们使用基于图像处理的方法对CT图像进行预处理,从而大致定位结节病变区域,之后使用神经网络来准确分割肺结节。其次,我们提出一种基于U-Net的双分支网络（DB U-Net）,并结合图神经网络,该网络可以有效地探索切片中的特征信息以及相邻切片之间的关系。最后,我们使用特征融合以及全连接条件随机场（CRF）对分割算法进行优化。本文的主要工作和创新点概括如下:1)基于图像处理与神经网络结合的肺结节分割。本文利用不同类型肺结节的特征信息,分别针对毛玻璃肺结节形态模糊以及近胸腔肺结节、近血管肺结节受肺壁、血管等背景噪声影响较大的问题,采用基于图像处理的方法来对肺结节进行粗分割。该方法可以有效去除结节形态及背景噪声对分割的干扰,使得神经网络可以专注于学习结节边界周围的特征。之后将结节粗分割的结果作为神经网络的输入,我们使用多个不同的分割网络实现结节的分割。2)基于双支神经网络与图神经网络结合的肺结节分割。由于2D和3D网络分割模型皆有其局限性,2D网络模型很难学习到CT图像的空间信息,3D网络模型可以有效学习CT图像的空间信息,然而其模型复杂度较高。我们结合2D和3D网络的优点,提出了一种双分支的分割网络模型。在模型的3D分支中,使用CT图像相邻的多层切片来帮助网络学习CT图像的空间信息。此外,我们将图卷积结合到神经网络当中,其可被用来学习CT图像空间结构上的相似性,提升模型对特征通道的敏感度。3)基于特征融合与全连接条件随机场的分割算法优化。在使用神经网络对肺结节训练的过程中,我们分别采用了特征融合以及CRF的策略,特征融合可以融合数据浅层和深层特征的信息,为模型提供图像高分辨率的信息,而CRF则被用于捕获结节边界的细节信息,可有效改善肺结节分割效果。本文通过对肺成像数据库协会（LIDC）公开数据集以及合作医院的数据集评估了所提算法的性能,在两个数据集上分别达到了85.06%和82.64%的准确率,优于主流的分割算法。