时至今日,肺癌已成为发病率和死亡率上升最快、对人类健康和生命构成最大威胁的恶性肿瘤之一。肺癌如果能在早期诊断并切除可以极大的提高病人的生存率。当前,活体组织检查是临床上确定肿瘤良恶性的“金标准”,但具有相当的局限性。肺癌的主要驱动因素是肺结节大小,肺结节分为良性和恶性两类。针对肺部CT图像中的肺结节进行良恶性分类是临床上进行肺癌筛查和早期诊断的主要方式。计算机辅助诊断技术可以辅助医生进行肺结节的良恶性分类,提高诊断准确率和筛查效率。深度学习在肺结节良恶性分类研究中具有很大潜力,而迁移学习可以解决医疗数据规模小与深度学习需要大量训练数据的问题,因此有望在这一领域得到广泛应用。本文研究建立了基于迁移学习的肺结节良恶性分类模型。具体工作内容如下:（1）提出了多尺度采样合成图像输入的方法,建立了基于多尺度迁移学习的肺结节良恶性分类模型。该方法可以充分利用肺结节核心区域、整体区域和外周环境等不同尺度下的图像信息来提高分类准确率,同时对前级肺结节检测网络的性能需求也明显降低,只需要检测出结节的中心点即可。在LIDC-IDRI数据集上进行的十折交叉验证实验中,提出的多尺度迁移学习模型在测试集上的平均分类准确率达到了90.26%,AUC达到了0.956。与其它深度学习模型相比,多尺度迁移学习模型取得了更好的效果。（2）提出了基于注意力机制的肺结节良恶性分类方法,该方法在通过残差网络Res Net50提取图像特征之后,引入注意力机制来使模型聚焦于更加关键的区域。其中,注意力模块由双线性池化模块和双注意力模块两部分组成。在实验过程中提出了一种交替开放卷积网络层数并同时改变学习率大小的训练方法,可以有效加速训练的收敛速度,避免陷入局部最优的问题。实验结果表明,本方法相比于其他方法更具有优越性。（3）提出了基于部分对抗域适应的肺结节良恶性分类模型,解决迁移学习中源域和目标域标签空间不匹配的问题。本文基于LIDC数据库和医院提供的影像数据构建数据集,利用深度卷积神经网络作为特征提取器,通过特征提取和域判别器之间的对抗训练来提取可迁移的特征,同时加入非对抗域判别器,将该方法与DANN、SAN、PDDA等几种迁移学习算法进行对比。实验结果表明,该方法可以有效解决不同域之间空间不匹配的问题。