肺癌是全球发病率和死亡率最高的癌症,对人类生命健康造成了巨大的威胁。在对肺癌的诊治中亟需计算机辅助诊断技术辅助医生进行肺结节的良恶性分类。传统辅助诊断方法通过肺结节分割、特征提取、良恶性分类等步骤对肺结节进行自动诊断,但这类方法设计较为繁琐,分类准确率不高。在基于深度学习的方法中,多数方法设计二维卷积神经网络（CNN）自动对肺结节进行分类,取得了一定的效果,但这类方法在特征提取中无可避免地丢失了图像三维空间信息;基于三维CNN的方法又需要消耗大量的训练资源,导致网络难以训练。考虑到现有的研究存在的问题,本文创新性地提出了一种多维度信息融合的网络设计方法,通过融合二维和三维肺结节图像中提取的信息来优化肺结节良恶性分类效果,减少训练参数需求。基于该方法,本文设计了一个基于决策级融合的多维度信息融合网络（MDF-Net）和一个多级输出的多维度信息融合网络（Mo MDF-Net）。在MDF-Net中,二维子网络使用多个共享参数的预训练Dense Net逐层微调来对不同视角提取到的肺结节二维切片提取特征,同时在三维子网络中从头设计三维Dense Net并用来对横截面的三维的肺结节切块提取特征。本文设计了一个注意力模块对子网络的信息进行决策级别的精细融合,输出最终的分类结果。在Mo MDF-Net中,不同子网络进行输入级别的多尺度特征提取来提升分类效果。同时,在网络不同阶段,对网络提取到的包含不同级别语义信息的特征图进行融合,输入不同的分类器来输出中间预测,缓解深度网络容易陷入局部最小的问题,通过均值法计算最终的良恶性预测。实验结果表明,本文提出的多维度信息融合的网络设计方式,有效地解决了肺结节良恶性分类问题,获得了比单独的二维和三维神经网络设计方式更好的分类效果,此外,与三维卷积神经网络相比,本文提出的网络需要的训练参数更少。