受吸烟人口数量众多、工业废气污染、生存环境拥挤、生活压力大等影响因素,肺部疾病已经严重地威胁人类的健康和生命,并且肺癌的死亡率已经超越了所有其他癌症,并且逐年呈上升趋势。晚期肺癌患者的治愈率为零,现有的医疗水平不能达到完全根治的水平,对晚期的肺癌患者治疗能获得五年生存率的机率仅约16%。但是对早期肺癌手术治疗,术后进行靶向治疗等综合有效治疗后,患者的五年生存率能提高四到五倍,所以对肺癌的生长进程和发展规律的探索至关重要。肺结节是肺部的病理性病灶,确定肺结节为恶性结节时,患者确诊为肺癌的可能性非常大。对肺结节的良恶性预测对于放射科医生进行癌症分期评估和个体化临床治疗计划是非常重要的。查阅文献、阅读相关书籍后,本文重点研究了基于医学序列影像的肺结节特征提取和良恶性预测方法。（1）基于长时程多尺度可变形卷积神经网络的肺结节时空特征提取方法由于肺部病灶的结构复杂,经常发生形状变化,导致特征提取不彻底。传统的特征提取方法由于使用传统卷积神经网络提取单一尺度肺结节特征,导致提取的特征中会缺少边缘信息,或者是增加了邻近环境中的噪声信息,导致提取到了无用信息,传统的卷积神经网络由于使用的是方形的采样点,采样点不能随肺结节的形状发生变化,也导致丢失了一部分形状信息。所以本文进行了改进,首先,将输入数据从单一尺度的肺结节序列图像信息改进为三个不同尺度的肺结节序列图像,该方法可以不丢失大结节的边缘信息,可以为中结节保留丰富的邻近信息,但是会为小结节带来一部分噪声,这样可以提取肺结节序列图像的全面信息;其次将传统的卷积神经网络改进为可变形卷积神经网络,采样点可以随结节形态动态的发生变化,这样可以减少无用信息的提取,精细化特征信息;网络框架使用渐进集成式框架,按输入顺序渐进地提取融合不同尺度大小结节的特征信息,将双流信息集成得到肺结节的综合深度信息。在NLST数据集和合作医院数据集上的实验结果表明,框架灵敏度、特异性、准确率和AUC值相比于最先进的方法最高,性能最优。（2）基于长短时记忆神经网络的肺结节良恶性预测方法研究针对肺结节良恶性预测分类精度无法到达临床应用标准的问题,本文提出了一种联合定量影像组学特征、深度时空学习特征的肺结节良恶性自动分类模型。首先提取的定量临床影像组学特征主要包括四类,肺结节强度特征、肺结节形状大小特征和肺结节纹理特征。然后通过两层简单神经网络对定量临床影像组学特征和深度时空特征进行融合得到多模态特征。最后,利用时间调制长短时记忆方法学习具有时间特征的肺结节融合特征向量,对肺部病灶的良恶性进行预测。根据NLST数据集和合作医院数据集上的实验,表明本文提出框架的AUROC的值为0.9271,高于目前先进的方法,可以有效预测,辅助医师诊断和作后续治疗安排。