肺癌是最常见的恶性肿瘤之一,其死亡率居于癌症之首,主要原因在于患者被确诊时往往处于癌症晚期,治愈率较低。因此,肺癌的早期诊断具有重大的临床意义,可有效提高患者的术后生存率。CT影像作为一种安全而高效的数据形态被广泛用于肺部病灶筛查,肺癌的早期形态表现为肺结节,因此基于CT图像的肺结节检测与诊断研究具有重大的实际意义。以往的肺结节检测与诊断方法主要利用传统卷积神经网络（Convolutional Neural Networks,CNN）来提取肺结节的二维特征,并未充分考虑肺部CT图像的三维特性,制约算法性能的同时还使得假阳性率较高。本文在前人研究的基础上,采用3D卷积作为网络特征提取的操作符,并根据不同任务设计不同的网络结构来提升算法性能。主要工作如下:1.实现了一种基于3D CNN的肺结节检测算法。该算法分为两个阶段:第一阶段为候选结节检测,设计了一个3D RPN（Region Proposal Network）用于推荐疑似结节区域,利用多层残差网络提取输入CT图像的三维特征,并引入U-NET中的融合思想,将低层特征与高层语义特征进行融合,提高检测位置的精确性,在模型训练优化过程中采用在线难例挖掘（Online Hard Example Mining,OHEM）方法来解决正负样本不均以及难样本难以学习问题;第二阶段为去除候选结节中的假阳性结节,设计了一个3D SE-Dense Net用于剔除假阳性结节,利用密集连接模块强化特征传播复用能力的同时引入SE（Squeeze-and-Excitation）模块来对特征进行重标定操作,进而提高特征的表达性能,在训练阶段利用focal loss损失函数来提升对难样本的学习。在LUNA16数据集上的实验结果显示,该算法在不同假阳性率下的平均检出率达到了0.88。2.针对小规模数据集难以训练深度神经网络的问题,实现了一种基于迁移学习的肺结节良恶性分类方法。首先,将SE-Dense Net在LUNA16＿V1数据上预训练得到初始权重;其次,利用肺结节良恶性数据对预训练权重进行训练优化,训练过程中仍采用focal loss作为损失函数;最后,将得到的网络模型在测试集上进行测试验证。实验结果显示,肺结节良恶性的识别准确率达到83.1%,灵敏度达到91.7%。