由于人们的生活不规律、饮食不健康和吸烟等问题的影响,使得肺癌的致死率远高于其它癌症。随着影像技术的进步,医学图像分析在疾病早期筛查诊断的过程中起到非常关键的作用。现阶段大量的影像数据带给医生很大压力,使得诊断常伴随漏诊和误诊。近年来,随着人工智能应用于医学领域中,医学图像智能分析也迎来了新的突破。影像组学通过从数量庞大的医学图像中挖掘深层次的信息,并构建机器学习模型辅助医生做出决策。医学图像分割是影像组学方法中的关键环节,后续的影像诊断极度依赖病灶分割是否精确。本文对肺部CT图像展开肺结节的分割研究,同时为了有效预防肺癌细胞发生扩散和转移,构建远处转移预测模型,协助临床医生进行分析和治疗决策的制定。主要开展的研究工作如下:（1）U-Net和U-Net++算法未能有效利用特征权重信息,导致在医学图像复杂场景中分割边界出现欠分割现象。针对该问题,本文基于融合自适应加权聚合策略设计了一种改进的U-Net++网络,并将其应用于CT影像肺结节分割。该模型首先在卷积神经网络中提取出不同深度特征语义级别的信息,再结合权重聚合模块,自适应地学习各层特征的权重,然后将学习得到的权重加载到各个特征层上采样得到的分割图以获取最终的分割结果。该算法有效提升了分割性能,能在肿瘤微小细节上实现精确分割,较好地解决了肺结节向周围浸润性生长时出现欠分割的问题。（2）由于肺癌患者较易发生远处转移,并且癌细胞发生转移对病人的身体机能影响严重,因此能够准确预测远处转移是否发生对后续治疗效果起着关键的作用。本文基于重庆大学附属肿瘤医院肺部CT数据集,对图像进行标准化处理,并从CT图像的病灶中提取影像组学特征,同时从病人的临床资料以及诊断信息中提取出临床-语义特征,之后进行特征选择,并通过逻辑回归算法分别构建影像组学模型、临床-语义模型以及联合模型进行远处转移的预测。同时本文绘制了联合模型的诺谟图,针对个体进行远处转移风险评价,帮助医生更好地进行临床决策。