肺癌一直是难以克服的疾病,对我们的生命安全造成了极大的威胁。肺结节作为肺癌初期的主要特征表现,对肺癌的早期检测和早期诊断特别重要,进而可以挽救无数患者的生命。并且计算机辅助检测能够帮助医生更好地对病人的情况进行检测,对缓解医生繁忙的工作很有帮助。因此,使用CAD技术来对肺结节进行分割具有非常重要的意义。由于肺结节相对CT图像非常的小并且非常容易和其他的组织混淆,因此对于肺结节的分割算法研究虽然很多,但是依然存在很多的问题。本文对现有的方法进行了充分的总结和研究,提出了一种基于深度学习的高效的肺结节分割算法。深度学习相比机器学习存在不需要手动进行特征的提取可以自动的进行特征的学习等一些优点,所以这里我们主要采用基于U-NET网络的方法来对肺结节进行分割,并且该网络在医学图像的问题处理上应用得较为广泛,相比别的网络具有结构简单,样本需求量相对比较低等一系列优点。这里我们对改进的U-NET网络进行了设计,主要包含数据集的设计、卷积层的设计、池化层的设计以及上采样层的设计。还有残差网络的设计,残差网络从某种程度上来说加深了网络的深度,使得网络的训练效果更好。最后是批规范化操作的设计,该方法可以加快网络的训练速度,我们也可以使用更大的学习率。我们的具体的流程主要包括图像预处理、肺部分割得到肺实质、使用改进的U-NET网络对模型进行训练预测等,最后使用条件随机场对预测结果进行优化调整。具体展开来说,肺部分割主要使用的是形态学的方法进行操作得到肺实质区域,也就是我们的感兴趣区域。形态学的方法简单高效。最后使用我们改进的网络进行训练预测。实验表明,使用本文提出的方法可以更好的对肺结节进行分割,该算法在分割精度上有一定的提高。