肺癌目前是我国发病率和死亡率最高的恶性肿瘤,由于肺癌的早期临床表现并不明显,大多数患者等到出现临床症状时已处于肺癌中晚期,即使经手术、放疗和化疗等积极治疗,患者的生存率依然较低。因此,如果能够对肺癌进行早期筛查、早期发现、早期诊断,这样就可以有效地提高患者的生存率,改善患者的生活质量。肺癌的早期表现形式是肺结节,因此对肺结节的检测与诊断具有重大意义。近年来,深度学习方法在图像领域取得了巨大成功,深度学习技术在肺癌诊断方面也得到了广泛的应用,主要集中于肺部CT图像。在肺结节检测系统中,对肺结节的快速准确检测是一项具有挑战性的工作,目前已有研究大多存在假阳性率高的问题。针对这样的问题,本文重点提出了基于ResNet模型的假阳性去除算法。本文的主要工作如下:首先,介绍了DICOM标准和DICOM文件格式的解析,然后对医学CT图像的特点及数据预处理进行介绍,介绍了卷积神经网络的发展和基本的结构,文中介绍了采用的ResNet的结构和特点;其次,介绍了本文实验中所采用的数据集,LUNA16数据集,对数据集中数据的分布进行了分析,并对数据集中体素的距离进行了设定,由于数据集中正样本数量过少,本文采用数据增强策略对正样本进行扩充;本文在设计网络模型结构之前,首先分析了输入图像的局部切片尺寸大小对模型性能的影响,并给出GorkemPolat使用的五个主体架构相同的3D CNN模型,五种模型输入图像的局部切片尺寸大小不同,本文在此基础上设计了一种基于ResNet的网络模型结构,相比于原有的3D CNN模型增加了网络的层数,并对卷积核的大小和数量进行了调整,为了减少网络中的参数,使网络模型的训练速度加快,网络最后采用全局平均池化代替全连接层;然后,使用了Batch Normalization和随机梯度下降优化算法对网络进行优化,接着,介绍了网络训练的方法;最后,对本文的实验结果进行分析,由实验结果可知,本文设计的算法能够有效地去除假阳性,具有较好的分类准确性。