肺癌是世界范围内发病率和死亡率最高的恶性肿瘤之一.组织病理切片的检查是病理学家用于评估肺肿瘤类型最可靠的方法 .然而深度学习在医学影像分析领域的飞速发展和广泛应用，暗示了放射学数据在进一步描述疾病特征和风险分层方面的有效性.本文基于计算机断层扫描（Computed Tomography,CT）数据，提出了一种LungNet框架用于对良性肺肿瘤、恶性肺肿瘤和感染性病变的分类.该方法将小波池化（Wavelet Pooling）和多通道空间压缩激励（Multi-channel Spatial Squeeze and Excitation, Multi-SE）引入到CNN模型中，利用小波池化代替传统的下采样以减少细节特征的损失，并结合多通道空间压缩激励模块增强各通道之间的依赖性，提高模型学习有效特征的能力.此外，我们在LungNet中融合了放射组学特征，进一步探讨了放射组学特征、深度学习和模型预测结果之间的潜在关系，从而增强模型的可解性.我们在西南医科大学附属医院接受手术治疗的1039名肺癌患者的数据集上训练并测试了LungNet框架，重点关注了良性肺肿瘤和恶性肺肿瘤的分类性能.实验结果表明，LungNet对恶性肺肿瘤识别的AUC达到了0.9795，从而为临床医生提供辅助性诊断.