肺部是人体与外界环境交换空气的主要场所,气道则是运输气体的重要组织。由于气道长期暴露在外界环境中,时刻接触各种污染,导致近年来人们呼吸道疾病的患病率不断上升,所以需要气道分割以辅助诊断。但胸腔气道结构呈树形,细支气管直径小,其灰度与肺实质相近且管壁较薄,使得人工手动分割困难且效率低,给医务人员带来很大的工作负担。基于胸腔CT的气道自动分割在各种炎症性肺部气管疾病的评估、慢性阻塞性肺炎的分析诊断、肺穿刺介入手术的导航和肺癌放疗计划的制定等方面具有重要意义。然而,传统区域生长等分割方法对细支气管分割不精确,基于3D卷积神经网络分割方法存在计算量和内存消耗较大等问题。因此,本文提出一种基于深度学习的2.5D胸腔气道自动分割方法。首先,给出结合并行空洞卷积的浅层2D U-Net的气道分割方法。该方法通过浅层卷积获取目标特征,在底层加入不同空洞率的并行空洞卷积,扩大编码器感受野并且捕获多尺度上下文信息,有效提高支气管特别是细支气管的分割效果。再通过反卷积上采样,并将对应高度的高分辨率信息融合,为气道分割提供更精细的特征。该网络模型输入为二维全局的气道CT图,通过特征提取,气道分割,完整保留了气道的全局连通性,提高了细支气管的分割精度。其次,提出将Dice Loss作为全局气道分割训练模型的损失函数,以解决输入全局图像中正负样本不平衡的问题。由于该分割模型输入为512×512像素大小的二维CT图像,而气道像素占整张图像的比例很小,特别是细支气管的部分,使用该损失函数使得当前像素的loss不仅与该点预测值相关,也与其他点的值相关,使训练更倾向挖掘目标区域。最后,提出基于空间信息融合的2.5D气道分割模型。通过构建胸腔CT图像三个解剖轴向（横断面,冠状面,矢状面）的2D切面,利用并行空洞卷积的浅层2D U-Net的气道分割方法预测气道分割概率图,然后将沿三个轴向进行三维堆叠,经过旋转等变换,使三个三维概率体在空间位置上一一对应。通过2.5D空间信息融合模型,学习对于每个体素三个断面预测概率的权重系数,融合了三个维度的互补信息,最终得到精细的分割气道树。本文提出的气道分割方法的有效性通过EXACT09和LIDC＿IDRI公共数据集进行模型训练和评测。实验结果表明,本文提出的基于并行空洞卷积的2.5D胸腔CT气道分割方法有效地实现了气道自动分割,提高了气道自动分割的精度和鲁棒性,并降低了计算量,有望满足临床应用的需求。