肺癌是当今世界死亡率最高的癌症,如果能够在肺癌发生的早期发现并及时治疗,可以明显降低肺癌死亡率。利用图像分割技术对患者肺部CT图像中发生病变的区域进行精准分割,可以提高肺癌早期诊断率。传统图像分割方法分割精度低且需要大量人工操作。近年来分割精度更高且特征表征能力更强的深度神经网络在图像分割领域得到了广泛应用。因此,本文以U-Net和3D U-Net网络这两种深度学习方法为基础展开研究。主要贡献如下:（1）基于深度残差网络和注意力机制的U-Net图像分割算法研究针对U-Net中的传统CNN网络随着深度增加出现网络性能退化的问题,本文探索了一种特征提取能力更强的深度学习方法;针对肺结点大小形态各异且容易受到周围组织干扰的问题,设计了两种不同尺度的卷积模块;针对U-Net中跳跃连接忽略了通道间关系的问题,引入了注意力机制。首先对特征提取网络进行改进,将表征能力更强的深度残差网络作为主干网络。其次参考Inception设计了大核卷积模块,并引入小核卷积模块,提取全局语义信息和局部几何信息。最后使用注意力模块,加强特征通道之间的联系,使特征表达更丰富。在LUNA16数据集上进行实验,最终实验结果表明本文模型相较于基础U-Net网络精确度提高了3.86%,DICE提升了5.53%。（2）基于注意力机制和深度监督的3D U-Net图像分割算法研究针对2D U-Net模型中没有考虑CT图像三维空间特性的问题,本文探索了一种分割精度更高的3D U-Net模型;针对二维注意力模块无法适用于高维数据的问题,改进了3D U-Net的注意力模块;针对模型对于不同形态和大小的特征鲁棒性低的问题,利用深度监督方法进行改进。首先将U-Net模型中的二维卷积核替换为三维卷积核以适应不经过切片处理的完整CT图像。其次将二维注意力模块扩展到三维,使模型在空间和通道维度获得了整个全局范围内特征之间的依赖。最后利用深度监督方法,防止浅层特征丢失,同时避免梯度消失等问题。实验结果表明,3D U-Net模型比原始2D U-Net模型有着更强的分割性能,同时相较于基础3D U-Net模型,本文方法平均交并比提高了1.92%,DICE系数提高了2.59%,MPA系数提高了2.04%。（3）基于3D CNN的肺结点分类研究针对3D U-Net分割结果中出现的假阳性样本,本文设计了一种分类网络对其进行区分。将所有分割后的肺结点作为输入,使用3D CNN网络进行特征提取,最后使用全连接网络整合特征并分类。实验结果表明,通过筛选,有效降低了假阳性样本的比例,降低了发生误诊的概率。