受环境、气候、生活习惯等因素影响,中国肺病发病率在逐年攀升。肺部疾病在对肺部造成影响的同时,还会引发多种并发症,如:气管炎、心脏疾病、淋巴系统疾病等。CT影像因其具有分层薄、高清、低噪声的优势,是肺部疾病最有效的无创检测技术,被广泛用于肺部疾病筛查和辅助诊断。随着科学技术的发展,机器阅片辅助医师进行病灶位置筛查、疾病诊断逐渐被大众所接受。传统的机器阅片通常是通过经验丰富的医师运用医学知识观察病灶直观的形态特征得到的,主观性较强。因此,为了改善这一点使诊断结果更具客观性,利用机器自动筛查病灶成为了新的研究方向。深度学习2012年以来在图像分类、语音识别以及目标检测等领域广泛应用,各大型医院也纷纷将深度学习用于医疗领域辅助医师进行诊断。目前针对基于深度学习筛查肺部CT影像病灶的研究主要集中于对肺结节这一单一疾病的诊断,对多种肺部疾病的识别与诊断研究甚少。然而肺部疾病种类繁多,同一病人的肺部可能存在多个病灶、多种疾病,反复筛查既浪费了时间,也没有合理的运用资源。因此本文运用了 Faster RCNN这一经典目标检测的深度学习算法,并对其进行优化,达到识别肺结节、索条、动脉硬化或钙化、淋巴结钙化等多种肺部疾病的目的,通过对一份病历的一次筛查得到所有疑似病灶的位置和类别,无需反复筛查,提高诊断效率。本文数据集来自天池大赛:全球数据智能大赛（2019）——“数字人体”赛场一肺部CT多病种智能诊断的训练集。首先对数据进行了描述性分析和预处理。在描述性分析的部分介绍了 mhd文件中包含的各类信息的含义、四种病灶的标注占总数的比例以及肺部CT影像的Hu值分布情况。预处理部分首先将原始坐标转化为体素坐标,更清晰的展示病灶在切片影像中的位置;其次是对肺组织的分割,首先运用漫水填充方法结合形态学方法提取出影像中的人体部分,而后再一次对图像进行二值化,使用上一步得到的躯干掩膜减去二值化的图像,得到肺实质掩膜,再利用形态学方法光滑其边缘,肺结节及索条主要出现在这部分区域,而钙化主要出现在肺实质之外,因此将躯干掩膜减去肺实质的掩膜得到另一份图像;而后是根据CT影像的窗宽窗位将上一步得到的两个图像分别用肺窗和纵膈窗进行标准化,之后进行横向拼接,同时将标注信息进行修改;最后是对数据集进行划分,分为训练集和验证集。本文针对这四种肺部疾病的目标检测提出了改进后Faster RCNN网络,将FasterRCNN的原始主干网络改为更深层的Resnet加上FPN网络。并且将ROI Pooling Layer改为ROI Align,使用双线性插值来更精确地找到预选框在原图上的对应位置。本文比较了原始的Faster RCNN网络、改进后的以Resnet50+FPN作为主干网络Faster RCNN网络、改进后的以Resnet101+FPN作为主干网络Faster RCNN网络的目标检测效果,以目标检测任务常用的技术评价指标是mAP作为评价指标。实验表明改进后的以Resnet1 01+FPN作为主干网络的Faster RCNN能够更有效地对多种肺部疾病进行智能诊断。