目前,心血管疾病由于其过高的致死率而被越来越多的人关注,而导致心血管疾病发病的主要诱因是冠状动脉内存在粥样硬化斑块,因此对冠状动脉斑块的精准诊断是亟待解决的重大临床问题。近年来提出的冠状动脉CT血管造影成像技术（Coronary CT Angiography,CCTA）因为其具备比较高的分辨率以及非侵入式、三维成像等特点,已经逐渐演变成为冠状动脉疾病早期初筛的标准方法。传统上,主要通过放射科医生对CCTA图像的视觉检查来判断冠脉是否含有斑块,然而不同病人在CCTA成像时存在较大的个体差异,而视觉检查方法严重依赖临床医生的领域内知识且非常耗时耗力。目前提出的自动化方法中主要是从影像中提取大量的定量特征来描述冠脉斑块的纹理和空间结构。然而,该方法使用的定量特征主要是由计算机视觉专家手工设计而成,并且要求对冠脉斑块实现精准分割。最近几年提出的深度学习方法在图像检测方面取得了显著成效,尤其是卷积神经网络在医学图像分类、病灶检测方面表现非常优异。针对以上提出的问题,本文研究了两种基于卷积神经网络的方法进行冠状动脉斑块检测任务,并设计了相关实验,研究工作如下:（1）基于全监督学习的冠脉斑块检测方法。本文分别研究了基于卷积神经网络和循环卷积神经网络的框架来进行冠状动脉斑块的精准检测。首先,本文在数据集提供的冠脉中心线基础上,设计了一种沿着血管中心线方向提取冠脉样本的方案,提取的样本为三维的冠脉块;接下来使用卷积神经网络和循环卷积神经网络对输入的冠脉样本进行特征提取,然后完成对最终结果的预测任务;由于本文所使用的数据集中有标签样本数据量过小,因此提出三种不同的数据增强策略来解决冠脉数据集中正负样本量差异过大的问题。通过对网络进行测试,本章节提出的两种冠脉斑块检测网络最终得到的检测准确度分别为81.63%和69.05%。实验结果证明,本文所提出的方法在斑块的检测方面具有更好的性能。与传统的方法相比,本文所提出的方法不需要精心设计手工特征,且检测结果不依赖对冠脉的精准分割,具有比较高的临床应用价值。（2）基于半监督学习的冠脉斑块检测方法。深度学习模型若想训练出一个具备很强鲁棒性的模型,就必须提供大量的有标记样本参与训练,但是冠脉数据中有标签的样本数据量非常少,因此很难训练具有鲁棒性的模型。针对以上问题,本文研究基于一致性训练的半监督冠状动脉斑块检测方法。首先根据上一章节提出的样本生成方案提取冠脉样本作为网络输入,并且根据有标记样本预训练上一章节提出的两种冠脉斑块检测模型,通过对网络进行测试保存验证性能最优的模型参数;然后利用保存的最优网络模型与一致性训练方法进行无标记样本伪标签生成工作;接下来将少量有标签的样本与伪标签样本进行混合,将混合之后的样本重新送入网络参与训练;通过不断迭代以上实验过程完成对冠脉斑块的检测任务。该网络提出的半监督方法相比于上一章节提出的全监督方法,斑块的检测准确度分别提高了3.86%和3.46%。本文提出的方法为小样本冠脉斑块的检测提供了自动化的解决方案,利用医学数据上大量的无标记冠脉数据提高了网络的检测精度,有希望推动深度学习方法在小样本数据上的应用。