自动准确地对肺实质进行分割对于肺癌辅助诊断至关重要。近年来，深度学习领域的研究者们提出了许多基于U型网络（U-Net）改进的肺实质分割方法。但是现有的分割方法忽视了不同层级间特征图语义信息的融合互补，并且无法区分特征图中不同空间与通道的重要性。为解决该问题，本文提出双尺度并行注意力（DSPA）网络（DSPA-Net）架构，在“编码器—解码器”结构中引入了DSPA模块和空洞空间金字塔池化（ASPP）模块。其中，DSPA模块通过协同注意力（CA）得到特征图精确的空间和通道信息，并对不同层级特征图的语义信息进行聚合。ASPP模块利用不同空洞率的多个并行卷积核获取不同感受野下包含多尺度信息的特征图。两个模块分别解决了不同层级特征图与同一层级特征图中多尺度信息处理问题。本文在卡格尔（Kaggle）竞赛数据集上进行了实验验证，实验结果证明该网络架构与目前主流的分割网络相比具有明显的优势，戴斯相似性系数（DSC）和交并比（IoU）的值分别达到了0.972±0.002和0.945±0.004。基于以上研究，本文实现了肺实质自动准确的分割，为注意力机制和多尺度信息在肺实质分割领域的应用提供参考。