随着机器学习和深度学习技术快速发展,智能图像处理技术已经广泛使用于医疗领域。现代许多有关肺部疾病的研究中,CT（计算机断层扫描）的肺部实质性分割是进行深入研究的核心步骤。目前,在肺部分割各种方法中,监督学习方法达到了最优秀的准确性。但是,这些监督学习方法的训练很大程度上依赖带有标签的大型数据集。另一方面,给CT扫描做标记是一项非常耗时的任务,并且从不同类型的设备获取的不同数据集可能具有各种数据特征,导致在不同模型上表现差异很大。而怎样从已有的数据信息尽可能构造出可靠、准确的带标签数据是一个极具挑战的课题。本课题的任务就是设计并实现一个肺部图像分割数据增强框架,以方便相关研究人员进行科研工作。本文首先对相关领域的发展进行研究分析,提出了一个基于学习的空间和密度转换的单次肺分割框架。该框架仅需要一个分段的CT扫描（源扫描）,并根据目标扫描使用空间和密度转换来转换此扫描。这些目标扫描可以是来自另一个数据集的扫描,也可以是来自其他类型的设备的扫描。使用卷积神经网络U-net来学习肺部空间变形场和结构密度来达到空间和密度的转换。然后,将训练一个受监督的R-FCN,以使用生成的扫描从CT扫描中分割出肺部。本文使用one-shot方法对肺进行分割的方法,并且对该方法进行实验论证。实验表明,即使带有标签的源扫描来自另一个数据集,肺部图像分割数据增强的实验结果达到了令人信服的效果。本文详细介绍了该肺部图像分割数据增强框架的设计与实现。该框架的实现,为相关科研工作者提供了一个有效可靠的思考方向,其强大的功能性也便于使用,有效地促进相关领域的发展。