肺癌是最常见的癌症之一,它的发病率和死亡率增长很快。针对不同肺癌亚型,其治疗方案区别很大,如鳞癌以放疗为主;而腺癌则以化疗为主。当前,肺癌分型主要依靠人工诊断,导致效率低,精度差。本文使用病人的CT和PET图像作为数据集,利用深度学习方法训练模型完成对肺癌类型的自动划分。论文中使用Res Net50作为特征提取网络,分别实现只使用CT图像或PET图像以及共同使用CT和PET图像作为输入进行分类,观察结果,发现CT和PET共同使用效果更好。以CT和PET共同使用的模型作为分类基准模型。为缓解现有肺癌数据集类别极度不平衡的问题,我们提出多种缓解方法。具体可分为四个方向,分别是基于重采样的方法、基于损失函数优化的方法、基于混合策略的方法和对网络结构的优化探索。我们对这些方法进行了完善的实验。实验结果表明,对于多种缓解类别不平衡方法,除欠采样方法外,其它均能有效提高少数类的分类精度,其中结合Remix混合策略和三维卷积神经网络的模型表现最好,在各类别的判别精度上均要高于医生人工诊断的精度,同时有效缓解了类别不平衡问题。考虑到患腺癌和鳞癌的人占肺癌患者的80%以上,如果计算机能正确的区分腺癌和鳞癌,就可以给医生带来很大的帮助。所以我们构建了区分腺癌和鳞癌的二分类模型,并使用ROC曲线做评估,实验结果表明,人工提取特征的Xgboost模型和自动提取特征的三维卷积神经网络模型均超越医生人工诊断精度。