当今世界范围内,肺癌是发病率和死亡率最高的疾病之一。肺癌的早期诊断和治疗是降低死亡率的重要手段。随着医学成像技术的不断发展,CT影像数据成倍增加,但经验丰富的医师数量有限,导致医学影像数据爆炸式增长与人工诊断力量严重不足的问题,并且随着工作时间的延长,造成医师疲劳和分心,导致漏检和误检现象发生。因此,迫切需要计算机辅助技术来为医师提供客观的决策支持,辅助医师诊断。肺结节作为肺癌的早期表现形式,肺结节检测是肺癌诊断的关键步骤,肺结节良恶性分类诊断对于医师进行结节分期评估和个体化治疗计划是非常重要的。为了提高肺结节检出率和分类准确率,更好地辅助医师进行肺癌早期诊断,本文基于卷积神经网络提出新的计算机辅助检测和诊断方法。卷积神经网络的层级网络结构具有强大的特征学习和特征表达能力,可以处理海量医学影像数据,在医学图像分析任务中取得了优秀的成果。本文重点研究基于深度卷积神经网络的肺结节检测和分类方法。本文的工作主要包括以下两部分:(1)基于卷积神经网络多级特征融合的肺结节检测方法。肺结节检测在肺癌的早期诊断中起到重要作用,传统肺结节检测方法过程复杂且耗时,检测效率低,为了提高肺结节检测效率,本文使用深度学习技术,提出一种新的计算机辅助检测方法,基于卷积神经网络多级特征融合的肺结节检测方法。首先利用预先训练的VGG16模型进行特征提取,接着使用多级特征融合方法对不同级特征进行融合,获得具有更加丰富语义信息的融合特征图,再使用全卷积网络在融合特征图上生成结节候选框,对融合特征图执行反卷积操作,并进行结节识别和边框回归,最终实现肺结节自动检测。在公共数据集LIDC-IDRI上,该方法分别在每次扫描1和4个假阳性时达到85.6%和90.3%的检测灵敏度。本文提出方法不仅能够提高肺结节检出率,而且能够精确定位到结节位置,有效地辅助医师进行早期诊断,对肺癌辅助诊断研究具有重要意义。(2)融合多维度卷积神经网络的肺结节分类方法。针对CT图像肺结节分类任务中分类精度低,假阳性高的问题,本文提出一种新的计算机辅助诊断方法,加权融合多维度卷积神经网络的肺结节分类模型,该模型包含两个子模型:基于二维CT图像的多尺度密集卷积神经网络模型,可以捕获更宽泛的结节变化特征,并促进特征重用;基于三维CT图像的三维卷积神经网络模型,可以充分利用结节空间上下文信息。首先使用二维和三维CT图像训练子模型,之后根据子模型分类误差计算其权重,再对子模型分类结果进行加权融合,得到最终分类结果。该模型在公共数据集上的分类准确率为92.25%,AUC值为98%。实验结果表明,加权融合多维度模型可以有效的提升肺结节分类性能。