由于空气污染、吸烟以及不良生活习惯等原因,目前有越来越多的人患上诸如肺癌、肺炎等肺部疾病。在肺部疾病诊断的过程中,医生往往需要通过分析肺部影像解决疾病确诊、制定手术方案等问题。但目前医生只能通过手动调节窗宽窗位等方法,凭过往经验诊断及制定手术方案。因此通过计算机图像处理方法分割出肺部器官,提升医生诊断效率具有重要研究价值。传统方法分割肺部器官的步骤繁琐、自动化程度低,而使用深度学习实现肺部多器官自动分割,可以实现端到端分割、简化步骤以及减少分割所需时间,但仍存在很多不足。首先,肺部多器官分割任务缺少标注数据用于网络训练。其次,目前针对医学图像的数据集构造方法的研究较少,医学图像大多是三维影像,使用不同的数据集构造方法会影响分割准确度。最后,当前在医学图像分割领域被广泛使用的U-Net网络,在分割精度及网络模型大小方面仍存在改进空间。因此本文对以上问题进行研究,并提出解决方法。首先,本文基于肺部医学影像特征,使用传统方法从CT影像中分割出肺部三种器官:肺实质、肺气管及肺血管,并根据分割对象的形态、器官特点提出邻接层片优化、忽略边缘滤波、ROI循环生长等方法优化分割结果,提高分割器官的完整性,并将分割结果作为网络的标注数据。其次,提出三种不同的数据集构造方法以及五种不同的数据增强方法,分析不同方法对神经网络的训练损失影响及分割精度影响,找出最适合肺部影像网络训练的数据集构造及数据增强方法。最后,根据肺部医学图像特点,基于U-Net网络提出两种网络结构优化方法,最终达到减少网络模型参数、提高网络分割准确度的目的。