肝癌是我国最常见的癌症之一,并具有可预测性低、恶化速度快,导致死亡率高的特点。其中最常见的两种原发性肝癌分别为肝细胞癌和肝内胆管细胞癌,两种肝癌在手术治疗方案的选择以及预后评估等方面都有很大的差别,所以,对肝细胞癌和肝内胆管细胞癌实现无创性的早期准确分类诊断在临床上有十分重要的价值。而精确的自动肝脏分割,是通过计算机辅助诊断对肝癌进行分类的必要步骤。本文研究了基于深度学习的在CT图像中的肝脏的自动分割算法,在传统分割算法的基础上进行改进,达到与分类模型有效结合的效果,实现了由原始CT图像到肝细胞癌和肝内胆管细胞癌的分类研究。论文的主要工作如下:（1）从不同方向出发,提出了以下三种不同的肝脏自动分割改进算法:1.将空洞卷积与Unet网络结构相结合,在不进一步减小图像尺寸的情况下增大了网络的感受域,从而降低网络训练过程中产生的特征细节丢失问题。2.将Unet网络与区域生长算法相结合,引入一个简易训练完毕的Unet模型,实现区域生长算法在腹部CT图像上的自动精确选择初始生长种子点。3.将Unet网络与SLIC超像素算法相结合,利用超像素分割对图像边缘贴合性好的特点,对Unet网络的预测结果进行有效的边缘优化。（2）将改进后的分割算法与肝癌分类模型相结合,在江苏省人民医院提供的实际腹部CT图像上对算法效果进行实验验证。验证实验中所使用的分类模型在未患肝癌、肝细胞癌和肝内胆管细胞癌上的三分类准确率为90.22%。结合空洞卷积的Unet网络在肝细胞癌上的准确率为39.76%,肝内胆管细胞癌的准确率为79.02%,总准确率为58.25%。Unet网络结合区域生长算法在肝细胞癌上的准确率为62.62%,肝内胆管细胞癌的准确率为85.27%,总准确率为73.29%。Unet网络结合SLIC超像素算法在肝细胞癌上的准确率为80.12%,肝内胆管细胞癌的准确率为75.22%,总准确率为77.81%。