肺癌的病死率一直高居我国各种癌症的榜首,随着人们生活环境改变,肺癌的发病率也在逐步上升,对于肺癌来说最重要的就是“早期发现,早期诊断,早期治疗”可以提升有效患者的生存率。CT图像是对肺部病变检查最好的手段之一,肺癌的早期诊断是通过对结节的判断来进行诊断的,将医学图像处理应用到计算机辅助诊断系统,精准的肺实质分割和肺结节分类算法不仅能提高医生的工作效率,帮助医生减少工作压力和误诊率的发生,更能提高诊断的效率。本文针对肺部CT图像噪声强,结构复杂的特点,以胶囊网络为基础,结合传统图像分割方法和深度学习两方面分别深入的研究了肺部CT图像的分割问题,主要研究成果如下:（1）在肺实质的分割算法中,传统的神经网络在对图像分割时,在对图像进行最大池化操作时容易让图像的空间信息和边缘信息丢失,本文提出了一种基于胶囊网络的肺部CT图像分割的网络架构,通过各个胶囊层之间的并行独立性,矢量神经单元对图像进行特征提取,增加反卷积层以达分割的目的,得到分割结果图,和人工标注和其他分割模型对比,本文所提出的算法具有更好的分割性能。（2）针对传统的动态路由算法鲁棒性较弱,对隐含类别的聚类效果不明显等问题,提出了一种基于正优化项的模糊聚类算法对动态路由中迭代过程进行优化,通过模糊聚类中隶属度概率分配问题和子胶囊与父胶囊之间的信息传递相结合,有效的提升了聚类效果的精度和普适性。（3）针对肺结节分类的预测问题,提出了一种结合双路径网络和胶囊网络的肺结节分类算法来对结节进行预测。对两个不同尺度的图像块通过双路径网络进行特征提取,Res Net块和Dense Net块互为辅助,对提取出的特征最后进行特征整合,得到的张量作为胶囊层的输入,利用动态路由算法将特征胶囊分为两类,胶囊的输出向量包含结节的图像信息,输出的模长则表示结节良性和恶性的概率。通过和人工标注和其他网络模型进行对比实验,得到良好稳定的结果。