在肺部功能检查和疾病诊断中，肺实质分割往往是第一步。近些年来，研究人员对肺实质分割提出了很多方法，但是这些方法都有其自身局限性，都需要手动提取特征，只能针对特定的胸部CT图像或特定的肺部病症，因此需要一种鲁棒性更好的方法来实现肺实质的快速精确分割，同时尽量减少人为干预。　　本文中，首先介绍了深度学习的发展历程，有关深度学习的基础概念和常见的神经网络模型，并对图像数据进行了预处理实验分析。基于前面的理论和工作基础，本文给出了一种采用深度学习进行肺实质分割的模型框架，该框架包含图像预处理和基于卷积神经网络的肺实质分割两部分:其中，图像预处理部分包括对胸部CT图像的灰度变换、直方图处理和去噪，主要为了保证由不同设备和参数设置下拍摄处理的胸部CT图像在亮度和对比度尽量一致;肺实质分割部分包括分割网络的建构、分割网络的训练、调参和图像的分割与结果评价。　　在基于卷积神经网络肺实质分割中，采用全卷积神经网络。首先利用预处理后的胸部CT图像数据及其对应的标记掩码作为输入进行训练，在此过程中进行重要参数的调节，最终得到一个能自动提取数据特征的深度神经网络模型，利用这些特征进行分类。　　最后，把模型的分类结果映射为一张二值图像，此二值图像就是原图像对应的分割结果。我们将此方法训练的模型用于胸部CT图像的测试集上，对分割的结果进行了评估，肺实质分割的平均Dice系数为0.9894，实现了肺实质的稳定快速准确分割。