肺癌是严重影响人类健康的全球性高发疾病,早期的诊断以及提高诊断的准确率可大大减小肺癌引起的死亡率。早期肺癌以肺结节的形式而存在,目前对肺结节的检测主要利用计算机断层扫描技术（Computed Tomography,CT）。如果所有的CT图像都由放射科医生手工筛查,那么这将是一个十分耗时的任务。因此,有必要开发能够定位、分割病灶区域的自动化方法。肺结节与周围组织外观相似,且不同患者的肺结节的位置、大小、数量都是不可预测的,因此肺结节的分割是一个相对困难的任务。传统的图像分割方法提取的图像特征层次较低,无法覆盖所有特征的肺结节,其鲁棒性不高,分割精度有很大的提升空间。基于全卷积神经网络的V-Net模型因其清晰的编码-解码结构,模型泛化能力强,被广泛用于医学图像分割。本文基于V-Net模型对肺部CT图像的肺结节分割算法进行研究。考虑到肺部CT图像的特点以及V-Net模型存在的不足,主要提出了以下三大改进点:（1）V-Net参数量优化考虑到V-Net模型采用三维卷积,且卷积核尺寸较大,因此模型的参数量十分庞大,容易导致模型过拟合,而且庞大的参数量对于内存的消耗较为严重。针对这个问题,对V-Net模型进行优化以降低模型的参数量,同时在每个卷积单元中加入Group Normalization以及Dropout来加速模型收敛以及减轻模型过拟合。（2）V-Net损失函数改进考虑到CT图像中肺结节占比很小,存在前景背景不平衡问题,而初始的V-Net采用的Dice损失函数未能重点关注相对较小的肺结节部分;Dice损失函数可能导致模型训练不稳定。针对这些问题,在参数量优化后的V-Net模型基础上,提出了改进的损失函数,并通过实验验证了对损失函数改进的有效性。（3）V-Net网络结构改进针对肺结节分割存在漏检情况以及肺结节分割的边界不够精准的问题,对V-Net的网络结构进行改进。首先基于短跳跃连接提出了改进的SCV-Net模型,该方法可以更加充分利用特征图信息,肺结节的漏检情况得到了有效的解决;接着在SCV-Net模型的基础上,针对初始的长跳跃连接存在的不足,提出了改进的SCLV-Net模型,该方法将低层的细节特征和高层的语义特征充分拼接融合。在LUNA16公开数据集上的实验结果表明,SCLV-Net模型的Dice相似系数、精确率、召回率、F1分数分别为0.8551、0.8650、0.8863、0.8755,肺结节的分割精度和性能得到了有效提高。