肺癌是目前世界上发病率和死亡率最高的恶性肿瘤之一。大部分患者难以察觉早期的肺部病变,当出现临床症状时,基本上都了病程的中晚期,治疗效果受限。肺结节是肺癌的早期表现形式,肺结节检测对降低肺癌死亡率和提高患者生存率及生活质量具有重要的意义。肺部计算机断层扫描（Computed Tomography,CT）影像是当前早期肺癌诊断的主要手段,但人工判读主观性强、一致性低,容易引起漏诊和误诊。深度学习能获取图像的深层次特征,具有较强的泛化能力,凭借其强大的鲁棒性,能有效的应用到医学影像处理中,实现肺部CT影像智能分析。研究基于深度学习的计算机辅助诊断系统（Computer Aided Diagnosis,CAD）是当下的一种重要趋势。早期肺癌CAD系统的肺结节检测通常由肺部CT影像增强、候选结节检测和假阳性剔除三部分组成。肺结节在肺部CT影像中形态多变、大小不一及其背景复杂,使得肺结节检测存在一定的问题。针对肺部CT影像成像过程中受到环境、设备、呼吸运动等因素的干扰,导致影像边缘、纹理等细节信息模糊的问题,提出了面向肺结节检测的CT影像显著性区域增强算法。该算法实现了肺部CT影像像素值截断及归一化,使用基于像素伽马变换增强进行图像质量提升,使用最大类间方差法进行前背景分离,结合形态学操作完成肺实质修补,用于细化颗粒、平滑边缘和填充血管,精细化分割肺部实质,实现显著性区域增强。针对肺结节体积小、位置随机、形状不规则、对比度差,及其周围背景复杂,使得肺结节存在大量漏检的问题,提出了基于注意力机制的端到端候选结节检测算法。肺结节检出率低是由于肺结节体积小,在CT影像中所占比例低,小目标检测困难。研究了深度学习在小目标检测中的应用,分析了深层特征融合策略,使用高分辨率特征图对候选结节进行端到端的边界框预测,引入基于通道和空间的注意力机制,提高肺结节的检出率和准确率。针对肺结节早期CT影像特征不明确,基于CT影像的肺结节定性难,阳性与阴性结节难以判别,分类准确率低的问题,提出了基于多尺度特征融合的假阳性剔除算法。肺结节假阳性率高的主要原因是结节尺度变换大、正负样本严重不平衡和特征信息表征困难。因此本文使用三维卷积提取三维结节丰富的上下文信息,使用多尺度特征融合,避免单一尺度分类器的局限性,引入难例挖掘机制和数据增强算法对数据集进行正负平衡,提高结节分类准确性和降低假阳性率。结合本文研究的肺部CT影像增强算法、候选结节检测算法以及假阳性剔除算法,设计并实现了基于深度学习的肺结节检测系统,完成肺结节的定位、定性和定量,给予用户辅助诊断参考意见。