肺癌是世界上发展速度最快的癌症之一,到现在为止,肺癌的新发病例数和死亡人数均排名第一,其发病率和死亡率仍不断上升。一般情况下,很难在早期发现肺癌,并且若未及时采取适当的治疗措施,会严重影响患者的生存率。肺癌的早期征兆是肺结节,进行精准医疗可以有效诊断和挽救患者的生命。大多数的肺结节由于形态各异和体积变化等特点,且具有复杂的肺内环境,肺结节的检测具有一定的难度。同时为了给放射科医生减轻工作负担,尽可能多的利用CT图像,因此对肺结节的早期检测和良恶性的诊断尤为重要。本文的主要研究工作如下:（1）采用一种基于残差与空洞卷积模块相结合的U-Net肺结节检测模型与算法（Dilated Residual U-Net,DR-UNet）,获得了较高的检测敏感度。在检测阶段,将UNet网络的卷积层之后加入了残差学习模块,可以有效地防止网络训练过程中出现过拟合以及梯度消失的问题。为了提高网络训练的收敛速度和性能,在卷积单元中加入了批量归一化层。并且引入空洞卷积（扩张卷积）,这样可以减少特征损失,同时可以增大肺结节图像的视野感知域,增强目标检测对图像背景和目标分布情况的分析能力,提高目标检测的精度,在网络架构和设计思路上做出了改进,最后选择了合适的损失函数等参数,明显提高了网络的检测性能。（2）提出一种基于多流和注意力机制相融合的肺结节分类模型与算法（MultiStream Res Ne St,MS-Res Ne St）。在分类阶段,将用于细粒度分类的多流卷积网络Multi-Stream CNN和引入空间注意力机制的残差网络Res Ne St相结合,进一步提升对肺结节的分类准确率,实现肺结节图像的恶性度等级分类。加入MS-CNN网络增加了多流机制,更好的融合了上下文信息学习图像特征和提取特征的能力,能更好的获取图像特征;而注意力机制能最大程度的提取图像特征,网络性能明显提高,以及在学习率和损失函数等方面提出改进。实验结果表明,加入空间注意力机制后对本文算法的分类效果也有明显的提升。本文将医学图像领域中对肺结节检测和分类的模型与算法进行研究,实验验证所提出的方法在各个角度的算法优劣,通过对比其他算法也最终获得了不错的检测敏感度和分类准确率,为医生对肺结节进行检测和分类提供了有效的方法,由此实现对肺癌的辅助治疗。