肺癌是世界上发病率与死亡率增长速度最快的肿瘤疾病之一,70%～80%的肺癌病人一经发现多属中晚期,此时多数患者的病变部分已无法手术切除,虽然可通过放疗和各种化疗方案进行治疗,但晚期肺癌的预后极差,平均生存时间少于12个月。因此,早期发现肺部病变以提高完全切除率（ROI切除）,对于提高肺癌患者存活率意义重大。计算机辅助诊断系统（CADe）的应用很大的提高了早期结节诊出率。但由于现有的传统的CADe方法大多局限于形态特征等主观因素所带来的影响,准确率有待提升且假阳性高,而目前应用的深度学习检测方法较基础,虽然有效的降低了假阳率,但准确率也会随之下降,为了解决这一问题,本文研究了基于卷积神经网络的低剂量CT图像肺结节检测方法。本文经研究提出了结合改进全卷积神经网络（CU-net）和循环3D Faster-Rcnn（3D CFaster-Rcnn）的肺结节检测方法。方法使用CU-net对CT图像进行候选区域检测,快速定位出图像的疑似结节区域,输出的图像尺寸不变,然后通过疑似区域坐标值计算,提取候选区域三维立体像素块。然后在CFaster-Rcnn模型中进行假阳性去除。本文的主要工作有:首先要对数据集进行预处理,对低剂量CT图像进行图像加强,然后进行肺实质分割;改进深度学习卷积网络模型;用处理好的部分图像数据训练搭建好的模型,对模型进行改进;进行实验得出最终结果,并与其它方法进行对比。对Data Science Bowl 2017数据集进行预处理后用于实验,结果得到候选区域检测结节召回率为98.5%,在进行假阳性处理即模型优化后,在假阳率为1.65时得到了92.6%的准确率。与其他方法对比表明,该模型在假阳性较低时取得了较高的准确率,具有很好的应用价值。通过实验过程与结果表明深度学习在肺结节检测方面有良好的发展趋势与现实意义。