肺是人体内一对像海绵一样的器官,在呼吸中起着最重要的作用。鉴于肺部的重要性,肺部疾病也受到了临床医学和计算机科学界的极大关注。医学图像的诊断需要专业且经验丰富的医师,但医院中这类医生资源匮乏,而且仅仅通过人工筛查和甄别大量的医学影像,可能由于过于疲乏而产生判断上的失误。随着深度视觉技术发展地日益成熟,将此技术应用于医学图像,以此来开发医学图像智能辅助诊断系统已成为研究热点,并且国务院在《新一代人工智能发展规划》中对其发展提出要求。虽然医院保存着深度视觉技术训练学习需要的海量的医学图像数据,但是由于其不同于自然图像的特殊性,导致医学影像数据集具有私有化,小型化,结构不均衡和缺乏多分类等特点。当前依据深度卷积神经网络开发的智能诊断技术对医学图像识别准确率较低,为了解决大型医学影像数据集的短缺和提升计算机辅助诊断系统对医学图像识别的准确率,本文以6种胸部CT影像为例展开研究。主要的研究内容如下:（1）本文创建了一个大型结构均衡的胸部影像数据集Chest-6CT,该数据集内部样本数据总量达到了100987张,其中包含16789张新型冠状肺炎、16715张普通肺炎、16798张肺鳞状细胞癌、16794张肺结节、16966张非小细胞肺癌以及16886张正常,共6中胸部CT影像,和现有数据集进行对比,该数据集消除了目前用于医学影像辅助诊断技术研发工作的医学影像数据集所存在的私有化、小型化和结构不均衡等缺陷。（2）本文提出采用分割SEG模型完成为CT内肺部实质的提取,该模型由自适应阈值算法和泛洪填充算法所构成。利用SEG模型剔除了CT上除了肺部器官外其他的冗余信息,消除了模型从非像素级标注的全尺寸肺部CT影像数据集上提取肺部病灶特征的困难。SEG模型在数据集Chest-6CT上进行了分割实验验证,其Dice相似系数达到0.972,可用于肺部实质分割,并且该模型与不同分割模型在同一个数据集上做对比,SEG模型的分割性能有最优表现。（3）提出了SEG-VIT模型解决现有辅助诊断模型准确率低的问题,并在数据集Chest-6CT上对模型分类性能进行了实验验证。该模型是以Vi T模型为基准网络并辅以SEG分割模型所开发的,其中Vi T在自然图片分类任务上的表现优于已有的卷积神经网络。训练样本首先经过SEG分割模型提取肺部实质之后再进入分类网络训练得到胸部CT图像分类模型SEG-VIT,通过实验表明该模型识别胸部CT影像的准确率、精确度、召回率、特异性以及1分别达到了0.975、0.973、0.971、0.994和0.972,并且大大缩短了训练时间。同时SEG-VIT模型与不同模型在同一数据集上进行对比,SEG-VIT依旧表现出了优异的分类性能。最后借助可视化工具CAM将模型诊断的病灶区域进行定位与可视化,进一步满足辅助医生诊断的实际需求。