肺癌是目前全球癌症死亡的主要原因,肺结节的高发态势以及与早期肺癌的紧密联系,使得肺结节的早期管理与诊断工作越来越受到人们的重视。尽管胸部CT图像有助于提早发现病变结节,但CT图像的人工诊断费时费力,且极有可能造成误诊和漏诊。近些年,随着人工智能的不断发展,计算机辅助诊断技术的出现提高了诊断准确率和筛查效率。深度学习由于其强大的模型学习能力在肺结节良恶性分类研究中获得了良好的效果。而注意力机制的引入,可以使深度模型更关注图像中信息量较大的区域,抑制其他无用信息干扰,在减少计算量的同时提取更有效的特征,从而提高分类精度。因此,本文对基于注意力机制的肺结节良恶性分类方法进行了深入研究,具体工作如下:（1）提出了一个基于注意力机制特征提取的细粒度肺结节良恶性分类模型。通过在细粒度分类网络中添加卷积注意力模块,使模型具备自适应学习图像特征权重的能力,解决传统基于深度学习的肺结节良恶性分类模型假阳性率高的问题。具体来说,将卷积注意力模块（CBAM）集成到残差网络（Res Net-101）中,设计了一个注意力特征提取器——Res Att Net对肺结节CT图像进行特征提取。其中卷积注意力模块通过通道注意力和空间注意力自适应地选择重要特征。将提取的特征图通过细粒度网络的区域建议模块和监督模块进行处理,得到信息量最大的多个子区域,最后输入分类模块获得良恶性分类结果。在LIDC-IDRI数据集上进行了五折交叉验证实验,在测试集上得到的平均分类准确率达到了96.30%,AUC达到0.98,相比其他深度模型有显著的提高。（2）提出了一个基于多头自注意力机制的肺结节良恶性分类模型。该模型采用Swin Transformer通用视觉自注意力架构,使模型更加关注CT图像的重点区域,抑制无效信息。该架构通过引入类似于卷积神经网络中的层次化构建方法,划分无重叠窗口进行多头自注意力计算,达到线性计算复杂度;通过基于移动窗口的多头自注意力机制弥补了划分固定窗口带来的窗口间无法进行信息交互的问题。在LIDC-IDRI数据集上进行了实验,在测试集上得到了98.33%的准确率,AUC的值为0.985,进一步提高了肺结节的良恶性分类精度。（3）在以上研究的基础上,设计实现了一个基于Web的肺结节良恶性分类辅助检测原型系统。系统的主体使用轻量级Web应用程序框架Flask搭建,前端页面主要采用HTML、CSS技术实现,后端使用百度的Paddle Paddle深度学习框架构建肺结节良恶性分类模型,使用My Sq L数据库存储信息。系统实现了用户登录、患者信息录入、肺结节图像上传及分类预测、患者信息查询和系统管理员的信息管理等基本功能。