肺癌的发病率和死亡率是目前世界上最高的恶性疾病,如果可以在早期发现并进行手术切除,肺癌的预后将显著改善,但早期肺癌绝大多数无明显症状,出现症状而就诊的肺癌患者多属晚期,由此可见,早期肺癌的发现与诊断是重中之重。但传统CT扫描因其大量的辐射剂量给患者与医护人员带来难以估计的伤害,因此,低剂量肺部CT因其大大降低辐射剂量引起广泛关注,但其降低辐射剂量的同时也降低了图像的质量与清晰度,为此,本文设计基于低剂量肺部CT的图像增强及其辅助诊断应用,增强图像对比度与可观察性,进而在肺结节的检测与分类任务中辅助医生诊断,为肺癌的早期预后治疗提供帮助。在低剂量肺部CT图像增强的过往研究中,传统空域增强算法与频域增强算法的增强存在着诸多局限性,其增强效果也不尽人意,本文从新的理论角度出发,分析变分法在低剂量肺部CT图像增强中的理论合理性,并基于全变分理论基础上,提出基于图像分解的低剂量肺部CT图像增强算法,并设计合理的分解模型,通过该算法处理低剂量肺部CT图像,无论从对比度、清晰度、细节纹理还是视觉效果方面都能得到很大的提升,达到较好的观测效果。接下来,针对图像增强后的低剂量肺部CT图像,本文分析了传统机器学习算法与传统深度学习算法在肺结节检测与分类中的不足与缺陷,从目标分割角度设计低剂量CT肺结节定位算法,在传统U-Net模型基础上引入残差单元与三维网络结构,提出RU3D-Net模型,大大增加了微小型结节的检测准确率,最后在假阳性率为8时达到92.73%的灵敏度,优于多数先进的算法;肺结节分类任务中对原有Res-Net网络基础上进行创新,融入三维结构,提出了Res3D-Net网络,使得最后分类准确率可以达到99%;最后本文将设计的基于图像分解的图像增强算法、基于RU3D-Net的肺结节检测算法与基于Res3D-Net的肺结节分类算法进行整合,并设计一款低剂量CT肺结节辅助诊断应用,并分别测试了每一部分的实用程度,证明了本应用系统的价值。