肺癌是一种在我国以及全球范围内有着高发病率和高死亡率特点的癌症类型,对人类的身心健康造成了极大的危害。肺癌的早期筛查和治疗对于提升患者的生存率以及生存质量至关重要。肺结节病灶是肺癌在早期发展阶段的一个重要病理表征,计算机断层扫描（Computed Tomography,CT）技术作为一种非侵入式的成像手段,能够在有效减少病人痛苦的同时,对人体肺部组织以及肺结节病灶进行精确扫描和成像。利用深度学习技术实现肺部CT图像中肺结节的精准检测和良恶性分类对于肺癌的早期防治具有重要意义。现阶段对肺结节的计算机辅助检测与良恶性分类算法研究仍面临许多挑战。一方面,肺内组织结构复杂,存在许多与肺结节视觉特征相似的其余组织或器官,影响算法的检测效果。另一方面,肺结节在图像特征上具有不同种类间图像差异小、同种类内图像差异大的特点,导致良恶性分类困难。针对以上问题,本文以深度学习方法为基础,围绕肺结节检测和良恶性分类算法进行相关研究,论文主要贡献如下:（1）针对结节尺寸小、肺腔内干扰组织多等问题,提出以三维卷积神经网络为基础的肺结节检测算法。首先将二维U-Net++结构拓展到三维,保留其编码、解码器结构以及内部嵌套连接结构,实现图像浅层和深层特征的有效融合,以适应不同尺寸结节的检测。其次,在特征提取网络中加入跨阶段局部融合模块,增加网络的特征学习能力并减少特征冗余。最后,使用三维区域生成模块直接输出结节的位置信息以及预测概率,实现肺结节的端到端检测。在LUNA16数据集上的十折交叉验证实验结果表明,本文所提方法的CPM评分达到了 86.2%,在平均假阳性个数为8.0时,达到了 95.4%的检测敏感度,并且对各个尺寸范围内的结节均有良好的检测敏感度。（2）针对良恶性结节图像特征相似等问题,提出以Transformer结构和残差网络为基础的肺结节良恶性分类方法。通过设计局部特征和全局特征提取模块,建立图像像素之间的远距离依赖关系,以适应不同种类、不同大小的肺结节的分类。具体来说,使用具有卷积运算的残差块来提取局部特征,以融合自注意力机制的Transformer特征提取模块来捕获全局特征。此外,还设计了序列融合模块对Transformer模块输出的序列特征信息进行聚合和提取,以提高分类准确度。在LIDC-IDRI数据集上的十折交叉验证结果表明,本文方法达到了 96.28%的AUC值、92.92%的准确度,具有良好的肺结节良恶性分类性能。