肺癌严重影响人们的身体健康,利用计算机断层扫描（Computed Tomography,CT）技术对肺肿瘤进行分割可以为肺癌的诊断与治疗提供可靠依据。为实现肺部肿瘤的自动化分割,本文对基于深度学习的CT影像肺肿瘤分割技术进行研究,主要内容包括针对二维、三维CT图像的分割算法研究和人工合成数据集的制作与分割算法验证。本文首先采用了一种面向肺肿瘤分割的组织增强方法,对数据集进行扩充。然后针对二维CT图像,提出了一种堆积型U-Net GAN网络。该网络的生成器增加了额外的卷积层与反卷积层,并通过短连接的方式结合在一起,对网络进行深度聚合。生成器先对输入的CT图像进行分割,再将分割结果与分割标签同时输入到鉴别器中,利用生成器和鉴别器的对抗训练提升肿瘤分割的精度;针对三维CT图像,本文利用改进的3D-UNet网络进行分割,该网络在3D-UNet的基础上,在编码器和解码器之间增加了Conv LSTM层组成的循环块,用于捕获相邻切片间的空间联系,并在编码器和解码器的内部增加了短跳跃连接,弥补网络传递过程中丢失的特征。为了解决网络训练时数据集不足的问题,本文研究了人工合成数据集的制作方法。首先利用CT图像数据集中已有的像素级标签合成长短径标签,再结合Grab Cut方法获取伪标签。然后从数据源头出发,利用XCAT2（Xtended CArdiac Torso2）进行人体模型生成和体模成像仿真,并通过改变体模中特定部位的衰减系数得到准确的分割标签,通过上述方法可获得大量CT图像分割数据集。本文在公有数据集和人工合成数据集上都进行了实验。针对二维CT图像的分割算法,Dice系数达到0.8492,相比于U-Net算法提高了3.5%,针对三维CT图像的分割算法,Dice系数达到0.7228,相比于3D U-Net算法提高了3.7%。实验结果表明,本文提出的堆积型U-Net GAN分割方法和改进型3D U-Net分割方法优于对比方法。