目的 基于CT图像的肺腺癌精确诊断对后续治疗具有重要的临床意义。卷积神经网络(convolutional nerual network, CNN)图像分类方法大多侧重于图像的局部特征，难以完全捕获全局知识和空间特征。为了充分学习这些有效特征，本文提出了一种多任务对比自监督双通道网络(multi-task contrastive self-supervised dual network, MTCSSDN),实现该疾病的计算机辅助诊断。方法 首先采用基于Conformer的骨干网络将3D CNN和Transformer统一集成到一个网络框架中，使用特征耦合单元(feature coupling unit, FCU)交互式融合不同分辨率下的局部特征和全局表示。然后在同一网络框架中使用并行结构进行跨架构对比学习来联合捕获图像丰富的空间特征，以训练特征表达性能更强的预训练模型。最后迁移至下游图像分类任务，利用原始图像对下游网络模型进行微调，进一步提升模型的分类性能。结果 MTCSSDN算法在肺腺癌数据集上进行评估，获得79.70%±2.13%的平均分类准确率、78.70%±4.22%的平均敏感性、74.00%±7.44%的平均特异性和52.70%±6.12%的平均约登指数。结论 本文所提出的MTCSSDN算法可以有效地提升肺腺癌辅助诊断的性能，具备潜在的临床应用价值。