肺癌是癌症导致死亡的主要原因,每年新增肺癌患者人数高居不下,通过对早期肺癌的筛查、诊断和治疗可以有效提升肺癌患者的五年生存率。CT影像是用于早期肺癌筛查的最常用技术,早期肺癌症状并不明显,通常表现为肺结节,因此为了提高肺癌患者的生存率,基于肺部CT影像的肺结节分割与良恶性分类对于肺癌的早期筛查具有重大意义。随着患者人数的增加,CT影像的数量也大幅上涨,这无疑对放射科医生提出了挑战。由于工作量的不断增加,放射科医生在对肺部CT图像进行判断时,更容易出现误诊和漏诊。因此,利用计算机辅助诊断系统来为放射科医生提供参考意见、辅助医生对肺结节进行诊断,能够有效的降低误诊率和漏诊率,从而有效的提高肺癌患者的生存率。近年来,随着深度学习的不断发展,由于卷积神经网络具有强大的特征学习能力和表征能力,因此基于卷积神经网络的方法也在医学影像处理任务中取得了良好的成效。基于此,本文提出基于深度卷积网络的算法进行肺结节分割与良恶性分类。本文的主要工作包括:（1）阐述了计算机辅助诊断系统对于早期肺癌筛查的意义和重要性,对肺结节分割和良恶性分类的方法进行了充分调查和研究,同时对医学图像分割和分类的方法进行了总结。（2）提出基于对偶编码融合的肺结节分割方法。针对肺部CT图像高粒度、由于尺寸较小、形状不规则,且存在例如空洞结节、磨玻璃结节等非典型结节导致肺结节真实形态难以识别的问题,提出对偶编码融合网络用于肺结节分割。首先利用金字塔上采样获取高层级平滑表征,以避免CT图像高粒度所带来的影响。其次针对不同层级的表征,设计不同的空洞残差块并嵌入不同的编码器中,从而提取具有不同特性的特征。最后,利用与U-Net类似的解码器,融合提取到的特征,得到最终的分割结果。在LIDC-IDRI数据集上进行了对比实验和消融实验,证明了所提出方法的有效性,分割精度达到了86.12%。（3）提出基于深度特征引导超注意力网络的肺结节良恶性分类方法。针对肺部CT图像中组织与肺结节相似、血管可能与肺结节形成牵拉,从而对网络的判断造成干扰,且目前基于深度学习的肺结节良恶性分类模型得到的分类结果不具有可解释性、临床上难以应用的问题,提出基于深度特征引导超注意力网络用于肺结节良恶性分类。首先,提出超注意力机制避免肺部CT图像中组织、血管等无用信息对网络造成的干扰。其次,提出语义学习在对肺结节进行良恶性分类的同时,对肺结节本身的属性特征进行分类,从而使最终的分类结果具有可解释性。实验证明,提出的HGDF-Net不仅能够得到具有可解释性的分类结果,并且实现了更好的肺结节良恶性分类性能,分类准确率达到93.52%。