计算机断层扫描图像（Computed Tomography,CT）中肺部结节的大小和形态是以影像学方法判断肺癌良恶性的重要临床依据之一。对于CT影像中的肺小结节（直径3～15mm）,即使是专业医师也会有误诊和漏诊的问题出现。为了降低上述情况发生的可能性,许多研究者基于机器学习构建了计算机辅助诊断（Computer aided diagnosis,CAD）系统帮助医师检测和判断肺小结节,但由于肺部图像复杂,机器学习方法往往无法取得较好的效果。近年来,深度学习在计算机视觉领域取得了优异的成果,以此为基础的CAD方法在肺小结节图像处理中的表现往往优于机器学习。基于此,本文开展基于深度学习对肺小结节的分割和分类的研究。本文主要研究内容是基于U-Net网络的肺小结节分割方法和基于Convnext网络的肺小结节良恶性分类方法。首先,基于U-Net网络对肺小结节进行分割。在U-Net的基础上,添加残差模块得到V-Net和添加压缩激励模块得到SE V-Net。经过实验,V-Net和SE V-Net的Dice系数分别为0.807和0.821,优于3D U-Net的Dice系数0.753。实验结论证明添加的模块有效,能准确的分割出结节区域,让U-Net网络能高效融合跨层信息也学习到更多小结节细节信息。其次,基于Convnext网络对SE V-Net分割后的肺小结节进行良恶性分类,同时使用常见的分类卷积神经网络,进行效果对比。该网络在残差模块中引入了大卷积核和分组卷积,有着更高感受野的优势,使用MLP模块对通道特征进行选择。实验结果表明,Convnext在肺结节分类任务中的准确率和AUC分别达到了94.26%和0.986,优于其他同类方法,肺小结节的特征提取能力更强。最后,在分割网络中,根据Convnext结构更改部分模块以构建一个Convnext U-Net网络。该网络在肺小结节分割任务上得到0.837的Dice系数,经过对比实验,相较于其他网络取得了更好的分割性能。综上,本文方法经实验证明,在肺结节良恶性分类和肺结节分割上相对于常见网络有着较大的优越性,可以更有效地辅助医师对结节进行诊断和治疗,也有一定的临床意义。