肺癌是目前对人类的身体健康威胁最大的癌症之一。为了在减轻医生负担的同时提高肺癌的诊治效率,深度学习被引进临床进行肺结节的良恶性判断。深度学习通过对大量的数据进行拟合以学习数据的内在表征特性,数据的规模越大、模型的性能就越好。由于医学领域的特殊性,通常很难获取到大规模的标记数据集。自监督学习不需要数据拥有标签,依靠数据自身特性对模型进行训练,有助于模型性能的提高。针对CT图像中肺结节良恶性进行分类的问题,目前的自监督学习方法仅利用了未标记的肺部CT数据训练模型,忽略了在自监督学习过程中对含肺结节CT数据的使用,也忽视了如何利用非肺部的其它组织器官的CT数据集来实现自监督学习。为解决上述问题,本文基于自监督学习与迁移学习开展了对肺结节分类的探究,主要工作如下:（1）针对自监督学习仅利用肺部未注释CT图像数据集的问题,本文设计了一种结合部分注释信息的自监督学习模型。通过单输入双输出的结构,让含有肺结节的CT图像以及不含肺结节的CT图像共享特征提取网络,并分别从两个输出端得到模型训练结果。用加权损失函数对两类数据的权重进行调节,最后将特征提取网络的参数迁移进行肺结节分类。在LIDC数据集上的实验表明,通过加入含有肺结节的数据对模型进行训练,使得网络在满足训练所需大量数据的同时能够学习到更多与目标任务相关的重要特征。（2）对于如何利用多种组织器官的CT图像数据集进行自监督学习,预训练一个通用泛化能力强的模型,提升肺结节的分类性能。本文设计了一种基于多组织器官CT图像的自监督学习框架。由于不同组织器官存在一定差异,若直接使用单一卷积核进行特征提取会导致提取到的特征不够全面。因此使用多尺度的卷积核对局部特征和全局特征进行提取,然后利用通道注意力机制选择重要度较高的特征通道。为了减小源域和目标域数据之间的差异带来的影响,本文在自监督学习模型迁移的过程中加入域自适应网络,从而有效的提升通过自监督学习进行肺结节分类的精度。