随着医学影像学和计算机技术的不断快速发展,利用计算机技术对临床影像数据进行分析提高了疾病预防与治疗成功的概率。在胸部疾病的诊断与检测中,计算机断层扫描(CT)使用最为普遍。由于CT能够为胸部的各个器官或组织提供高分辨率的扫描图像,所以充分利用CT扫描图像对于胸部疾病的检测非常重要,比如肺癌、肺结节等疾病。在计算机辅助诊断系统中,精准的胸部CT扫描图片的分割是后续胸部功能分析和三维图像重建的基础和前提。精准的分割不仅可以增加疾病诊断的准确性,还能减少后续无关计算的时间。胸部CT图像的精准分割有两个目标,其一是利用胸部CT图像的分割提高计算机辅助诊断的发展,其二是能够对胸部的器官实现完整的分割,因为当胸部的器官发生病变或者畸形时,其CT图像会有一些异常,这时需要分割算法能够完整地分割出器官。医学图像分割有很多常用的方法,比如基于区域的方法,基于边缘的方法,基于特殊理论的方法,由于医学图像的灰度不均匀、个体差异大、伪影和噪声大等特点,这些图像分割方法都会有一些局限性,很难在达到要求的灵敏度和准确度的情况下分割出胸部的各个器官。本文针对胸部CT图像分割中存在的一些难点,结合了最近方兴未艾的深度学习技术,探讨了利用卷积神经网络模型进行图像分割的可行性。本文的主要工作和创新点包括:(1)提出了一种利用图像块进行特征提取并且像素分类的卷积神经网络模型,利用该深度模型对胸部CT图像进行密集分割;(2)提出了一种直接从原始待分割图像到分割标记图像进行学习的非线性深度学习模型,该模型具有端对端的结构特性,简化了图像分割的流程。针对两种深度学习模型,利用临床扫描胸部CT图像进行了实验验证,结果显示,本文提出的深度学习模型有着良好的图像分割性能。