目前,肺癌已经成为世界上发病率和死亡率最高的肿瘤疾病。随着人们生活习惯的改变和环境的恶化,肺癌人群逐年增多,因而社会对此关注度日益增加。肺癌的早期症状在医学图像上以肺结节的形式表现,虽然大部分肺结节对人体的影响不大,但是少数的肺结节会转变为肺癌,而肺癌一旦出现,将对人类健康造成巨大的危害。因此,快速准确地检测肺结节对于预防和诊疗肺癌具有重要意义和价值。本文以CT图像病例数据为研究对象,重点研究基于深度学习方法的肺结节检测算法,旨在为医生提供更加准确有效的诊断方法,提高早期肺癌的生存率,对肺癌的早期诊断和治疗具有积极作用。论文主要研究内容和取得的成果如下:1.针对用于特征提取的卷积神经网络结构参数冗余的问题,提出一种新型的用于医学图像特征提取的网络结构,通过优化网络结构参数,以提取更为有效的特征,从而减轻网络结构过拟合的程度。实验结果表明,相较于现有的卷积神经网络结构,所提的新型网络结构可以使过拟合现象减弱,能够有效提高肺结节的检测精度,实现对肺结节目标准确高效的检测。2.针对血管或气管等组织遮挡肺结节影响肺结节形状特征检测的问题,提出一种新型的基于对抗网络的肺结节检测器,即将对抗网络应用到Faster R-CNN检测器。利用新型检测器的特性,使对抗网络与目标检测器相互对抗学习,从而增强检测器对肺结节遮挡情况的鲁棒性,实现端对端网络的肺结节检测。实验结果表明,基于对抗网络的肺结节检测器可以有效地提高肺结节的检测精度。3.针对肺结节图像数据增强问题,提出一种基于条件生成对抗网络的肺结节图像生成算法,此网络可学习图像间的映射关系,并学习训练这个映射的损失函数,用于生成肺结节医学图像数据,增加医学图像数据量。实验结果表明,将生成的图像数据作为补充加入训练集用于检测模型训练,提高了肺结节的检测精度,从而验证了生成图像数据的有效性。