随着时代的发展,人们利用科学技术对疾病的认识在不断深入,同时也使人类的寿命较17、18世纪有了延伸。目前,癌症是全世界公认的致死率最高的疾病,其中肺癌是全世界癌症死亡的主要原因。肺结节是指肺部计算机断层扫描（CT）显示为类圆形阴影的一系列肺部异常,肺结节的准确生长率是肺癌诊断的重要指标。因此,获得肺结节面积或体积信息成为肺结节准确生长率的必备前提。利用三维计算机辅助诊断技术帮助医师进行肺结节的分割,能够降低医师工作量的同时获取更多肺结节体积信息,三维肺结节分割成为了肺癌诊断的有力助手。然而,目前大多数肺结节分割方法大多基于二维深度学习技术,仅能提取到结节的二维面积信息,并且对于不同尺寸的肺结节识别能力较弱,缺少诊断必须的表面信息。三维深度网络面临维度爆炸的问题,在医学小数据集上可能会存在拟合不佳的情况。本文围绕肺结节分割任务,针对三维深度网络在肺结节分割中存在的问题进行了研究,主要研究工作有如下两个方面:（1）基于自适应双分支注意力和阴影映射的肺结节分割研究二维深度网络已被广泛用于肺结节的分割,但二维深度网络缺少学习空间上下文信息的能力,限制了肺结节的分割精度。我们尝试利用三维深度网络解决肺结节空间信息的缺失和三维网络过大的问题,并提升网络分割肺结节的精度。本文在第三章提出了一种基于自适应双分支注意力和阴影映射的三维分割网络,它由阴影映射编码器、阴影映射解码器和自适应双分支注意模块组成。自适应双注意力模块受双注意力机制启发分别从空间和通道两种不同的角度挖掘三维图像中体素的空间依赖关系和通道依赖关系,并在网络不断迭代和反向传播的过程中优化自适应权重,增强网络学习三维结节表面细节信息的能力。由于卷积过程中存在大量极高相似度的特征,三维阴影映射将卷积核数量减少,通过对已有卷积得到的特征进行线性变换的方式提升特征数量,实现保证特征数量情况下降低三维分割模型大小的目的。我们为了促进结节表面信息的学习,设计了损失函数,进一步约束三维网络并加快收敛。最终,提出的方法在公开的LIDC数据集上达到了92.05%（Dice指标）、90.81%（灵敏度）和3.93mm（豪斯多夫距离）的分割精度,与目前其他先进方法相比有着更大的优势。（2）基于局部注意力与全局多尺度的三维肺结节分割研究结节的尺寸信息对于网络的识别能力有很大的影响,为了进一步提升三维肺结节的分割精度,本文在第四章提出了基于局部注意力与全局多尺度的三维分割网络。首先,它在编码路径中引入注意力局部信息学习模块提取丰富的结节上下文信息。注意力局部信息学习模块中以新的编码方式生成键值对,并重新组合学习局部空间上下文信息,进一步细化特征图中的结节边缘。其次,在编码路径和解码路径中间的瓶颈处加入多尺度全局信息学习模块,全局多尺度信息学习模块将深层特征进行放大,并与原始深层特征图级联,增强网络对于不同尺寸结节的敏感度,以提升最终的分割精度。我们将所提出的方法在与第三章相同的数据集上进行验证,最终网络分别取得93.41%（Dice指标）、91.88%（灵敏度）和3.17mm（豪斯多夫距离）的优异结果,证明所提出方法的有效性。