根据世界卫生组织国际癌症研究机构发布的权威报告显示,肺癌现如今已经成为世界上发病率和死亡率最高的癌症,是危害人类生命健康的头号元凶。肺结节作为肺癌早期的重要表现形式,其有可能发展为肺癌的几率约为40%,因此精准检测和分割并且对CT图像中的肺结节准确定性成为挽救肺癌患者的关键。近年来,随着人工智能、深度学习等新兴技术的兴起,越来越多基于深度学习的模型迁移到医学图像分割上来,为肺癌的早期诊断提供了新的思路,但是由于肺结节在CT图像中形态尺寸小、形状不规则并且边界模糊,导致当前计算机辅助肺结节分割中存在对小目标不敏感、假阳性高并且精准分割困难的问题,同时CT图像增长速度远远大于影像科医生的增长速度。为有效检测并分割CT图像中的肺结节,同时为了减轻医生的工作负担,提出一种基于深层次卷积神经网络的肺结节分割算法,本文主要工作如下:首先,针对肺结节这类小目标在分割中存在的不敏感问题,提出一种基于深层次卷积神经网络的肺结节预分割模型,预分割模型整合了残差神经网络、特征金字塔网络、区域建议网络、全卷积神经网络等,对肺结节这类小目标的分割和检测有较好效果。首先将经过预处理后的CT图像进行特征提取,接着将特征图送入区域建议网络中生成感兴趣区域,然后将感兴趣区域池化成固定尺寸大小后进行分类、边界框生成和分割掩码生成。实验结果显示预分割模块能有效识别出CT图像中的肺结节并进行初步分割。然后,针对肺结节初步分割中出现的假阳性过高的问题,结合CT图像特点,采取三维重建的方法将预分割结果还原到三维视图,然后利用3D卷积对其进行二分类,以降低假阳性肺结节个数,提高模型的检测准确度;针对小目标分割中分割粗糙的问题,将条件随机场与卷积神经网络相结合,细化分割,约束分割结果的边界,以此来优化前端全卷积神经网络的输出,提高分割的精细度。最后,将上述方法及优化应用于对CT图像中肺结节的检出与分割中,实验部分的数据集采用LIDC/IDRI公开肺结节数据集和一部分自建数据集,实验结果显示,融合算法在有效提高CT图像中肺结节的检出率的同时,分割精度更高,验证了本算法的有效性和可行性。