肺结核作为常见的传染性疾病,其复杂的病症和较高的筛查成本是肺结核检测领域的难题。通过CT影像技术能够进行初步检查,然而繁重的CT影像资料会造成医师误诊或降低诊断效率,况且仅依靠医师的主观判断和经验性解读不利于肺结核的检测。因此,本文重点研究基于CNN（Convolutional Neural Network）与CT影像的肺结核检测方法,提出了一套肺结核检测模型,包括数据集、胸廓分割网络和病灶检测网络三部分。本文主要研究工作及创新点如下:（1）建立规范的肺结核CT数据集。鉴于公开的数据集较为匮乏,本文从专科医院收集了500例实际病例建立了规范的肺结核CT数据集。为提升数据集的质量,根据专业医师建议对数据集进行了合理划分和图像增强。（2）提出归一化和残差捷径的胸廓分割网络D-Net。肺结核CT数据集中混合着正常和患病切片,且切片上的背景噪声会增加对后续病灶检测网络的干扰。因此,本文提出了一种胸廓分割网络D-Net,实现正常切片和患病切片的分类,并通过分割胸廓来滤除噪声。D-Net在普通卷积层上进行了改进,运用归一化和残差捷径的优化技巧构建了有效特征层,并利用有效特征层连接的方式实现特征融合,避免特征信息的丢失。此外,引入集合相似性敏感度的损失函数提高D-Net对胸廓的分割能力。实验结果表明,D-Net的分类精准度为99.37%,分割Dice系数为99.78%,有效排除了原始数据因素对后续病灶检测网络的干扰。（3）提出轻量化和多感受野的病灶检测网络LIMY。当前基于CNN的肺结核检测网络存在参数量大、检测效率低、误检和漏检率高的问题,本文提出一种病灶检测网络LIMY,能够对D-Net处理后的CT数据进行病灶检测。LIMY通过深度可分离卷积实现轻量化,采用逆向残差结构和通道注意力增强上下文信息的相关性。LIMY利用组合金字塔池化模块收集特征图的局部和全局信息,对多种尺度的病灶特征进行采样,并引入并行的扩张卷积提高对多感受野特征信息的利用效率,加强对小型病灶的特征表达。此外,为LIMY设计了组合损失函数作为优化目标,使LIMY更关注肺结核病灶的位置、类别和置信度分数三个重要因素。实验结果表明,LIMY兼顾了较高的检测精度与效率,其总参数量降低至33.91M,m AP达到了92.83%,误检率和漏检率分别为3.85%和5.60%,且对每张患病CT切片的检测时间为6.27 s。