肺癌已经成为对人们生命健康最具威胁的癌症之一。由于肺结节在早期时不会表现出相应的症状,所以导致大多数患者在被诊断出肺癌时已经是晚期。放射科医生通过观察分析病患的CT图像来判断肺结节,但是肺癌患者越来越多,这给放射科医生带来了很大的阅片压力,从而导致放射科医生在分析患者的CT图像时造成对肺结节的漏检或误检。随着深度学习技术在医学图像处理领域的应用,如果可以设计一个计算机辅助诊断系统检测肺结节,辅助放射科医生做出诊断,将很大程度减少放射科医生的阅片压力,从而减少漏诊率或误判率。CT图像中的肺结节特征很小,形状大小不一,并且还会出现与其他组织相互粘连的现象,这会为肺结节检测带来极大的困难。本文以深度学习技术在肺结节检测的难点做出下面的研究。（1）针对肺部CT图像中肺结节检测存在检测灵敏度差、假阳性高的问题和检测网络中存在深层网络容易忽略浅层位置信息的问题,提出了一种结合残差结构的三维Res Add-UNet网络肺结节检测算法。该算法添加了残差结构,有效地结合浅层网络和深层网络的信息来获取结节特征,提高了检测灵敏度。在肺结节假阳性减少网络中,提出Res-VGG网络对候选结节进行分类,降低了假阳性。在LUNA16数据集上对算法进行验证,达到98.21%的准确度和97.79%的灵敏度,证明了该算法对肺结节检测有良好的性能。（2）为了获得更好的分割性能,在加入残差结构的U-Net检测网络的基础上做出改进,首先将解码过程中的多个尺度进行融合,充分利用解码过程中间卷积层的特征信息,获取不同尺度的全局上下文信息。然后考虑到编码结构和解码结构子网络的特征映射存在较大的语义信息差距,这种语义差异会增加网络的学习难度,降低分割性能,加入通道注意力模块和空间注意力模块,通道注意力模块会加强各个尺度特征层之间的相互依赖关系,在面对较为宽泛的编码过程和解码过程之间的语义信息时,空间注意力模块会将其重新编码成局部特征,引入空间注意力模块提高网络对局部特征的提取信息的能力。同样在LUNA16数据集上对算法进行验证,对肺结节分割达到很好的效果,证明了该算法对肺结节分割有良好的性能。