肺癌是一种恶性肿瘤,它起源于人体支气管黏膜上皮或肺泡上皮。当前,肺癌的发病率仍然居高不下,且是全球癌症死亡的主要原因之一。临床上通常根据癌细胞的类型不同将原发性肺癌分为小细胞肺癌和非小细胞肺癌,非小细胞肺癌占据了原发性肺癌的80%以上,是原发性肺癌的主要构成部分。组织学亚型是非小细胞肺癌患者治疗方案制定的重要因素,术前区分非小细胞肺癌患者的组织学亚型,对于非小细胞肺癌患者的个性化诊疗有着重要意义。为了在术前更加准确、无侵入的区分非小细胞肺癌患者的组织学亚型,本文研究在包含151例组织学亚型为鳞状细胞癌或腺癌的非小细胞肺癌患者数据集上,建立了用于术前无创区分非小细胞肺癌组织学亚型的融合分类模型和全自动分类模型。在非小细胞肺癌组织学亚型融合分类模型中,本研究结合了传统影像组学获取的手工特征、深度学习方法构建的卷积神经网络获取的深度学习特征、非小细胞肺癌患者临床信息,使用机器学习分类器作为最终分类来区分患者组织学亚型。在这一模型中,本研究通过一系列对比实验证实融合模型在非小细胞肺癌组织学亚型分类任务较单独的影像组学和深度学习方法有着更好的性能（AUC值0.834,准确率=0.755、精确率=0.752、召回率=0.736和F1值=0.740）。在非小细胞肺癌组织学亚型全自动分类模型中,本研究克服了非小细胞肺癌组织学亚型分类研究中对于医生手动标注的患者病灶区域的依赖性,构建了三种全自动分类模型,通过实验比较选择基于患者PET/CT影像最大强度投影的2D深度学习方法作为最佳全自动分类模型,并在这一全自动分类模型中得到了0.768的分类准确度。本文研究表明,传统影像组学和深度学习都能区分非小细胞肺癌患者的组织学亚型,其中融合传统影像组学获取的手工特征、深度学习方法构建的卷积神经网络获取的深度学习特征、非小细胞肺癌患者临床信息,使用机器学习分类器作为最终分类手段构建的融合分类模型较其他两种方法有着更大的优势。其次,脱离对医生手动标注的患者病灶区域的依赖,直接从患者医学影像入手判断其组织学亚型的非小细胞肺癌组织学亚型全自动分类方法是可行且有效的。