据世界卫生组织统计,肺癌已经成为确诊病例数、致死人数最高的癌症。利用计算机技术对肺癌的早期形态——肺结节进行筛查有利于早发现、早治疗,提高肺癌的生存机会,同时也能减轻阅片负担,辅助医生的诊断工作。近年来,深度学习技术在发展的同时也被应用到包含医学图像分析的各个领域,利用深度学习进行肺结节的检测与分割就是其中一个热点研究方向。本文以胸部CT图像数据为研究对象,探索利用深度学习和三维重建技术提供快捷、准确且易观察的肺结节辅助诊断方法。主要内容如下:首先,研究了基于Mask R-CNN的肺结节检测与分割方法。由于医学图像具有样本量少和正负样本不平衡的特点,本文采用了具有骨干网络迁移学习机制、二阶段结构控制正负样本比例、同时具有检测和分割功能的Mask R-CNN,并探索了具有不同权重的损失函数对检测和分割结果的影响。目前研究大都是肺结节的检测任务,缺乏含肺结节轮廓标签的数据集,本文将LUNA16数据集进行预处理,之后在影像科医生标记的肺结节直径基础上,利用labelme标记工具,建立了包含2763张具有肺结节轮廓标签的胸部CT横截面数据集:labeme＿LUNA16;然后分别在数据集LUNA16、labelme＿LUNA16和Ali Tian Chi上进行了实验:在labelme＿LUNA16数据库上,肺结节检测评估获得了在1 FP/scan时,88.1%的敏感度和0.796的CPM分数,超过近期大部分的研究,同时将模型在独立的Ali Tian Chi数据集上进行评估,获得了0.625的CPM分数,表明模型具有较好的泛化能力和鲁棒性;在labelme＿LUNA16数据库上,肺结节分割获得了0.882的AP@50分数。其次,研究了医学图像三维重建方法。研究了面绘制代表算法:移动立方体法和体绘制代表算法:光线投射法的实现方法和优缺点,并在口腔CT数据上进行对比实验,比较不同参数和算法的绘制效果,然后进行了肺部和肺结节三维重建实验。最后,基于MITK开放平台,设计了肺结节三维可视化辅助诊断系统。该系统的肺结节三维重建结果与横截面、矢状面、冠状面的位置、大小一致,同时也可以对三维模型进行交互操作,表明了该系统的有效性和可操作性。