近年来,随着全球空气质量的下降以及新冠肺炎疫情的爆发,肺病已经成为了影响人类健康和生命安全的十大原因之一。在临床医学上,计算机断层扫描（CT）被广泛应用于肺病的诊断,然而由于CT图像的数量过多,以及放射科专家主观判断的差异,会造成误诊漏诊的可能性。因此,开发一个计算机辅助诊断系统十分必要,而肺部区域的自动分割就是其中的第一个步骤,会直接影响下一步肺病的诊断分析,所以肺部区域的高精度分割对于计算机辅助诊断系统十分关键。目前,虽然有大量的肺部分割的工作成果,但是现有的算法只使用了肺内部信息,忽略了肺边界信息,肺边界可以提供视觉提示,辅助识别肺部区域。而多任务学习可以同时学习多个相关的单任务并共享所学到的信息,辅助单任务学习,从而提高单任务的性能。这促使本文利用多任务学习,同时学习肺部分割和边界提取两个单任务,并用边界提取辅助肺部分割,从而提高肺部分割的精度。因此,本文基于多任务学习,针对临床CT图像的肺部分割工作提出了两种分割算法。深监督边界融合网络使用五层的编码器-解码器结构,在解码器的最后一层分出肺部分割和边界提取两条支路,同时使用侧面输出融合模块丰富肺部区域特征,边界融合模块融合肺内部信息和肺边界信息用于优化边界,深度监督约束所有尺度下的特征提取,实现整体肺部分割性能的提高。基于边界引导网络在深监督边界融合网络的基础上进行优化改进,不同于深监督边界融合网络只在最后一层加入肺边界信息,该网络的解码器部分直接分成肺部分割和边界提取两条支路。此外,在两条支路中间引入一条由边界注意力引导模块构成的融合支路,充分融合二者的特征信息,并逐级递进细化,提高肺部分割的精度。为了验证本文提出的临床CT图像的肺部分割算法的有效性,本文已使用包含新冠肺炎数据在内的七个数据集进行训练并测试,均能达到较高的分割精度,证明了本文提出的肺部分割算法可以满足计算机辅助诊断系统的需求,应用于临床医学。