据国家癌症中心最新统计,肺癌是我国发病数和死亡率最高的癌症。很多病患因在早期得不到及时的诊断,错失救治的最佳时机,从而丧失了宝贵的生命。如果能在早期及时发现,就可以挽救许多人的生命。随着医学影像学的发展,用于早期诊断的计算机断层扫描(CT)可以帮助医生诊断良恶性肺结节,从而及时发现肺癌。但是医生的诊断往往依赖于主观经验,不同的医生对待同样的CT扫描可能得出的结论也不尽相同,而且对于CT扫描的筛查需要耗费大量的时间和精力,不利于的病患的及时诊断。随着人工智能的兴起,通过对肺部CT扫描进行处理,实现肺结节良恶性的分类,从而帮助医生辅助诊断,成为了计算机视觉的热门研究方向。传统方法是通过对肺部进行手工设计特征,通过机器学习算法进行分类,需要消耗较多的时间和人力资源,而且手工设计特征时容易引入误差。由于肺部CT扫描是沿着某个轴向进行扫描而成,在对肺结节进行分类时,需要考虑到轴向的切片问题。同时不同肺结节之间的尺度大小有差异,而且肺结节占有的CT扫描的区域较小以及占有的切片数较少。这些问题对肺结节的准确分类都带来了极大的挑战。针对以上出现的问题,本文提出了一种新型的基于注意力机制的3D双路径双向特征级别融合的肺结节分类网络模型。本文主要做了如下的工作:1,设计了一种新型的3D双路径网络结构。区别于传统方法进行手工设计特征的过程,本文采用深度神经网络从肺部CT扫描中提取和学习高维度特征。针对肺部CT扫描轴向的问题,将沿轴向的切片作为第三个维度,进行3D卷积提取特征。由于采用3D卷积参数量较大,为了降低模型大小,并提高性能,在3D网络中加入双路径网络连接(DPN)作为基本网络结构,设计了3D DPN网络结构。2,设计了一种基于注意力机制的双向特征级别融合的网络模型。基于特征级别融合的方法能够解决不同尺度的信息在特征融合时可能会丢失对分类效果产生的影响。它有两条网络路径,分别以不同尺度的CT扫描作为输入,以3D DPN作为基本网络模块。单向特征级别融合以其中一条网络路径作为主要网络,另一条作为辅助网络,通过辅助网络不同的卷积模块提取的特征提供给主要网络,从而进行单向特征级别融合。而双向特征级别融合则是在单向特征级别融合的基础上,两条网络路径互为辅助,当其中一条网络作为主要网络时,另一条网络作为辅助网络向其提供特征,为两种尺度之间添加相关性,并综合利用两种尺度的特征。3,基于公开数据集LIDC-IDRI和LUNA16验证了本文所提出的分类模型的有效性。