肺部医学图像是肺癌诊断和治疗的重要辅助工具,肺癌早期在医学图像上的主要表现是肺结节,因此对肺结节的筛查与分割是肺癌诊断的有效途径。不计其数的肺部医学图像加大了放射科医生的工作量,人工智能技术的发展为辅助人工诊断提供了新的方向并在肺结节的诊断与治疗方面取得了重要进展。为进一步应用人工智能技术提高肺结节诊断的效率与准确度,提出了一种基于U-Net的肺结节图像分割算法。主要工作如下:第一,针对肺结节图像不完整,进行图像拼接过程中存在图像拼接处产生裂缝以及图像拼接时间久的问题,提出一种基于导向快速与旋转简短（oriented fast and rotated brief,ORB）和随机抽样一致（random sample consensus,RANSAC）组合的图像拼接算法,消除了肺结节图像拼接后拼接处的裂痕,提高了肺结节图像拼接的精度。第二,肺结节图像中肺结节的大小和形状各不相同且肺结节图像中肺结节可能具有跟肺部相关组织具有类似的形状特征,因此肺结节图像分割的精确度就难以保证。为解决上述问题,利用最大类间方差法、Canny边缘检测方法、k均值聚类法三种方法从肺部图像中提取肺部图像轮廓,利用肺实质提取算法对肺部图像进行肺实质分割,减小肺结节图像分割中的误差。第三,针对U-Net网络结构在肺结节图像分割过程中分割不准确等问题,提出了一种融入双注意力模块的U-Net肺结节图像分割算法。该算法在U-Net网络结构上增加空间注意力模块和通道注意力模块,利用自我注意力机制从时间与空间两个角度分析全局上下文信息,加强肺结节图像的特征,克服不同因素对分割结果的干扰从而提高肺结节图像的分割效果。