近年来,受环境等因素的影响,肺癌患者数量逐年增加,肺癌已经成为了中国以及全世界许多国家最主要的癌症之一。肺癌作为一种死亡率较高的恶性肿瘤,早期患者5年生存率为49%左右,而晚期患者5年生存率低于1%,因此早期肺癌的筛查及治疗成为了降低肺癌死亡率的重要手段。早期肺癌在CT影像中的表现为直径1mm-5cm的小结节,而一个病人的肺部CT数据一般含有300-500张图片,不容易被发现,这给早期肺癌的诊断带来了一定困难,如何将计算机图像处理技术应用于肺癌早期自动筛查及手术评估具有重要的意义。本文的具体工作内容如下:（1）提出深度学习方法与传统方法互相结合的方法对肺实质进行分割,为后续的肺结节检测以及肺段分割提供参考,以提高最终结果的精度。利用2D Unet对肺实质进行分割之后,再采用ABM（Adaptive border marching）方法对胸膜下的结节进行处理,从Luna16数据集中随机选出5套含有近胸膜结节的CT数据进行测试,结果表明该5套数据中的近胸膜结节都被正确的分割出来,最终肺实质分割DICE为98.9%。（2）针对现有的目标检测框架,提出一种改进的3D Unet网络结构,其相比于two-stage目标检测框架更容易训练,在肺结节检测任务中敏感度达到86.9%。另外,针对肺结节检测任务中目标较小、直径分布范围较广的特点,提出DF Net（Dual path Feature pyramid Network）,最终肺结节检测敏感度达到 88.2%。（3）对于早期肺癌手术评估,本文对肺段进行分割,首先提出一种基于记忆化区域增长的算法对肺气管进行分割,然后提取肺气管的中心线,人工选取肺段分割的分支点,按照气管的走向生成肺段分割模型,将算法分割肺段的结果与人工标注结果进行对比,DICE达到83.3%。