肺癌是我国发病率和死亡率最高的疾病,近几年发病率仍有继续增长的趋势,严重影响着我国人民的健康状况。肺癌早期没有明显的表征,当出现病症时绝大部分患者都已处于晚期阶段,即使花费大量的医疗资源,其预后的存活率仍然较低。肺癌早期阶段在影像学上主要以结节的形式存在。肺癌的早期筛查可及早的发现病情,以较低的医疗成本换取病人较高的存活率。因此,早期筛查对肺癌的治疗具有极为重要的意义。本文针对结节的特征以及已有深度学习网络的缺点,以研究高精度肺结节分割算法为研究目标提出新的肺结节分割模型,并使用LIDC-IDRI肺结节公开数据集中不同类型的肺结节来验证模型的分割性能。主要内容如下:（1）提出了肺部CT图像预处理方式。首先将原始图像使用高斯滤波和中值滤波对图像去噪,并将图像分为训练集和验证集,并使用平移、镜像、旋转、缩放等方法对训练集进行增广,根据XML文件结构及读取原理提取专家标注的结节轮廓,为后续的实验提供实验数据。其次针对CT图像的特征使用图像标准化、K-Means算法、形态学操作等一系列算法获取肺实质Mask,并利用肺实质Mask获取完整的肺实质区域。（2）针对U-Net及其变形的肺结节分割算法连续下采样次数较多,使得肺结节轮廓特征信息丢失严重的问题提出了Res Wnet网络。通过将单个连续4次下采样的编码-解码的结构调整为两组连续2次下采样的编码-解码的网络结构,使网络中保留更多的特征信息,并提取更深层次的语义信息;使用图像金字塔模块从网络左侧输入不同尺度的特征图像,提高网络对不同尺度结节的灵敏度;并将不同层次、尺度、感受野的特征图像进行融合后分割,加深网络对结节区域和非结节区域的感知能力。使用LIDC-IDRI数据集对各模块组成的网络进行消融实验,并确定网络的最终结构。将U-Net与Res Wnet对不同种类结节的分割结果进行对比,结果表明Res Wnet网络对各种结节的分割性能均优于U-Net。证明通过减少连续下采样次数,增加编码和解码路径的方式对提高肺结节的分割精度的有效性。（3）针对U-Net及其变形的肺结节分割算法特征图像传播路径较少、特征图像利用率低的问题提出了Res Blocknet。Res Blocknet与U-Net及其变形结构相比有更多的特征传播路径,并能充分利用上下文特征信息。图像金字塔模块将不同尺度的特征图像输入网络,提高网络对结节的灵敏度;改进的残差块能将局部不同层次的特征信息进行融合;融合1模块使用Dense跳连的思想将特征进行融合,能充分利用上下文特征信息的关联性,学习到结节与非结节的特征信息;使用融合2模块,可提高网络对低对比度或边缘模糊型结节的分割效果。使用LIDC-IDRI数据集对各模块组成的网络结构进行消融实验,以确定Res Blocknet的最终结构。通过分析Res Blocknet对不同种类结节的分割结果,验证了网络对各类肺结节均具有较好的分割效果。同时,通过对同一张CT图像含有多个不同类型的结节进行分割,验证了网络对含有多个不同种类结节CT图像的分割具有较强鲁棒性。