目前,在肺部疾病的临床诊断和治疗中,依然需要医生手动勾画病变区域。人工筛查在一定程度上会受到医生的专业能力以及主观经验影响,且每位检测者的检测结果都有几百张图像,使检测医生的工作量非常大。本研究借助计算机辅助医生检测肺结节,基于深度神经网络开展了肺结节识别分割与分类实验。具体研究工作包括以下几个方面:首先,对数据进行预处理。研究采用LUNA16作为实验数据,此数据集标签标记规范具有权威性,且数据量可以满足深度学习模型的要求。在肺结节识别分割过程中,首先根据原始数据生成了图像掩码文件,然后分析CT图像获取切片厚度和窗宽窗位后进行图像去噪,再对数据进行了插值采样,采样后得到的数据经过堆叠生成3D肺结节切片图,肺结节识别分割数据预处理至此基本结束。在肺结节分类时,由于数据集中正负样本数量差距过大,对正类样本进行数据增强40倍得到正类样本,然后在非肺结节数据中随机采样20%得到负类样本。将预处理后的正负样本混合后分为80%训练数据和20%测试数据。其次,本研究提出改进的3DVNet模型用于肺结节的识别分割。改进的3DVNet模型结构更加简单,改进后的网络包括4层卷积层及4层池化层,对应的保留四个反卷积层及4个上采样层。在提取特征和还原特征中加入中间卷积层,具有同尺寸的特征图的卷积层和反卷积层使用级联层连接可节省大量的运算时间且释放更多计算资源,同时保留了VNet模型拥有大感受野的特点,缓解了原始网络容易出现的过拟合问题。实验结果得到分割精度为88.29%（DSC值）、预测图像交并比为88.25%（IoU）,优于现有大部分文献的方法。采用本文方法分割各种形态结节的IoU最低为86.87%,最高能达到92.85%,识别分割效果较好,证明了改进模型的普适性与鲁棒性。最后,本文提出了改进的VGG模型进行分类。改进后的VGG网络由十个卷积层和两个全连接层构成,原始的VGG网络算法中含有三个全连接层,改进后的VGG网络减少了一个全连接层。结果表明,去掉一层全连接层对于网络效果没有明显的影响,且可以有效减少参数数量。改进的VGG模型训练得到的损失函数显示可以较好的收敛,模型预测使用混淆矩阵统计结果可得预测结果得出17357个真阴性（True Negative,TN）,16个假阳性（False Positive,FP）,431个假阴性（False Negative,FN）和12196个真阳性（True Positive,TP）。由此结果可对网络性能进行评估,计算网络整体准确率为98.51%,假阳率为0.921%,漏检率为3.413%,由计算结果可得改进的算法分类效果较好。