我国流行病学调查结果显示，以慢阻肺和哮喘为代表的慢性呼吸系统疾病患病率高且呈现上升的趋势，给公共卫生健康带来了严重威胁.目前，计算机断层扫描（CT）作为一种方便、无创的方法被广泛应用于肺功能的评估.在基于CT图像的计算机辅助评估肺功能的方法中，人工设计的特征存在表达能力有限的问题，且现有的深度学习方法从高噪稀疏的小样本数据集中提取特征的效果较差.为了提高肺功能检查的效率，本文提出了基于CT图像的肺功能预测网络（LFP-ResNet）.首先，本文提出了多层次上下文特征融合（MCFF）方法，有效增强了对表征肺部纹理和形态的特征提取；其次，利用三维残差网络充分保证了CT图像的空间异质性；最后，本文构建了包含肺功能正常人群和患有慢性呼吸系统疾病患者的肺功能数据集，并在该数据集上对比了本工作提出的方法以及其他先进的肺功能预测方法 .实验结果表明，本文提出的MCFF策略在含噪声的稀疏矩阵中提取特征时比其他特征提取方法更有效，且所构建的LFP-ResNet在肺功能预测任务中表现出更好的预测性能.