各类刑事案件、交通事故及建筑工地坠落等安全事故的频发导致人类胸部肋骨出现各种各样的骨折。针对肋骨骨折检测,传统医学影像分析是医生根据学到的理论知识与长期经验对图像内容进行解读诊断,繁琐耗时且漏诊率较高。随着机器视觉技术的快速发展,将卷积神经网络等深度学习方法应用于各种类型的缺陷检测任务已然是当下研究的热点。胸部CT肋骨骨折所特有的目标较小、形态复杂多样且与周围背景相似度较大等特点,使得实现胸部CT肋骨骨折自动检测面临许多挑战,因此,对胸部CT肋骨骨折自动检测技术展开深入研究,并积极探索将其成功应用于临床的方案,具备重要的理论意义和实际应用价值。考虑到国内基于深度学习的胸部CT肋骨骨折检测相关研究较少,本文尝试对在其他深度学习类目标检测任务中具有较好表现的最新研究成果——Center Net进行改进,并将其成功应用于胸部CT肋骨骨折检测。本文的主要工作包括以下两个方面:（1）提出一种基于注意力卷积神经网络的胸部CT肋骨骨折检测算法。首先,针对肋骨图像中肋骨骨折部位与背景区分度特别小且肋骨骨折属于小目标的特性,在Center Net特征提取模块原有Hourglass Net基础上增加了一个多尺度Inception模块,这种设计可以提高图像特征信息提取的有效性。其次,Center Net仅通过左上和右下两个关键点来确定目标回归框,直接采用Center Net的预测模块对肋骨骨折进行特征点预测,会导致肋骨骨折目标中心区域特征稀疏,我们在预测模块设计了一个注意力模块,用以预测语义信息表达能力更好的中心关键点,这种设计可以很好地解决因无法提取目标内部信息而导致的目标检测准确率较低问题。实验结果表明,该方法具有很好的泛化能力与鲁棒性,适用于胸部肋骨骨折检测。（2）提出一种基于轻量多尺度注意力网络的胸部CT肋骨骨折检测算法,首先,采用多通道特征补充策略来改善网络的特征提取性能,具体地,将Center Net特征提取模块原有Hourglass Net作为主特征提取通道,在此基础上设计了一个由能够较好捕获肋骨骨折轮廓特征sobel边缘检测模块组成的辅助特征提取通道,并将其所提取的特征补充到主特征提取通道,从而实现网络对肋骨骨折特征的充分提取。其次,原有Hourglass Net为对称编解码结构,在进行特征提取时随着网络层数增加常导致网络计算复杂度增大,为了能够在不丢失特征信息的前提下降低计算复杂度,我们在Hourglass Net结构中采用Shuffle操作完成特征图上下采样,因为Shuffle操作具备在丢失图像原有信息的前提下实现图像大小改变的功能。最后,为了提高网络对中心关键点特征预测的有效性,我们在预测模块中引入多尺度注意力模块,这种设计可以使网络能够从多个尺度上同时自适应学习不同层次特征图中肋骨骨折中心区域的有效特征,从而提高网络对形态复杂多样的肋骨骨折的检测准确率。