肺癌的发病率和死亡率在中国的癌症中位居榜首,并且中国每年新增的肺癌患者数也在全球高居不下,通过对肺癌早期的发现、诊断和治疗可以降低肺癌的死亡率。CT影像是用于肺癌检测最有效的技术,肺癌的早期症状在医学影像上大多表现为肺结节,因此,为了提高肺癌患者的生存率,基于肺部CT影像的肺结节检测和诊断对于肺癌的早期诊断具有重大意义。随着CT影像数据的快速增长和肺结节筛查任务的艰巨,放射科医生很容易造成漏诊误诊的情况。因此,需要借助计算机辅助诊断技术为放射科医生提供参考意见,辅助医生诊断,提高医生的诊断效率和准确率。同时,随着深度学习应用领域的不断扩大,网络结构强大的特征学习和特征表达能力使得深度学习在医学影像处理任务中也取得了理想的成效。因此本文提出使用基于深度神经网络的方法来对肺结节进行检测和诊断。本文的主要工作包括:（1）阐述了肺结节计算机辅助诊断的意义,充分调查研究了肺结节检测方法和肺结节诊断方法的研究现状,对基于传统机器学习和基于深度学习的算法进行了总结和分析。（2）提出了二维和三维卷积神经网络联合的肺结节检测方法。针对现有肺结节检测方法存在过程复杂效率低、结果大量假阳性的问题,本文提出了一种基于端到端的二维全卷积神经网络（2D U-net）与三维卷积神经网络（3D CNN）相结合的肺结节检测方法,其中二维全卷积神经网络用于对象定位,三维卷积神经网络用于立体式目标分类。在LUNA2016和LIDC-IDRI数据集上进行实验,通过实验证明所提的肺结节检测方法的高效性和有效性,其分类准确率能达96.9%。（3）提出了基于多分支特征卷积神经网络的肺结节良恶性诊断方法。针对目前用于肺结节良恶性诊断的深度学习模型具有不可解释性、实用性低的问题,本文提出了一种可解释的多分支特征卷积神经网络模型（Interpretable Multi-branch Attributes Convolutional Neural Network,IMACNN）用于肺结节良恶性诊断。实验证明,提出的模型不仅可以得到可解释的肺结节分类结果,而且实现了更好的肺结节分类性能,其准确率可达97.8%。（4）根据本文提出的肺结节检测和肺结节诊断算法研究,设计并实现了基于深度学习的肺结节智能辅助诊断系统。