计算机辅助诊断技术是当前科技研究的热点之一,CT图像中肺结节的良恶性分类方法属于其一部分,由于结节尺寸变化、图像分辨率低、有噪声或其它肺部组织干扰、存在良性结节和恶性结节相似度高等问题,肺结节良恶性分类难以取得很好的实验效果,本文针对上述问题进一步研究,主要工作如下:(1)提出基于卷积神经网络技术的肺结节良恶性分类方法,方法模型包括主干网络、分类网络和回归网络,其中主干网络用于提取结节图像特征,考虑样本数量少的问题,搭建网络层数较少的架构,考虑结节图像中干扰因素多的问题,特别设计将宽窗图像和窄窗图像作为网络输入以提取多角度的特征。模型中分类网络用于输出结节的良恶性类别,并且为降低主干网络和分类网络的训练难度,方法设计了一种预训练方式,即增加输出结节直径的回归网络和主干网络预先进行训练,驱使主干网络适应于关注结节所在区域提取特征。实验将本方法与其它基于传统特征的方法进行对比,结果验证了本方法提取的神经网络特征的有效性。(2)提出融合改进Res Net和多种监督信息的肺结节良恶性分类方法,方法模型包括主干网络、解码器、主分类网络和辅助分类网络,其中主干网络基于Res Net构建,并结合问题情况进行改进以提取出结节代表性更高的特征。本方法对上一方法的预训练方式进行改进,将主干网络和解码器结合作为卷积自编码器,将根据结节直径截取的仅含结节的图像作为卷积自编码器的预期输出进行预训练,驱使主干网络适应于关注结节外观提取特征。本方法模型中主分类网络以结节恶性程度为监督信息进行训练,辅助分类网络以结节恶性程度和结节其它诊断结果为监督信息进行训练,两个网络结合输出良恶性类别。实验结果表明,本方法与上一方法相比进一步提高了分类正确率,与近年其它方法相比,验证了本方法的有效性。