随着社会的发展,汽车尾气和工业大气污染的日益增多,肺癌已成为威胁人们生命健康的恶性肿瘤之一,而胸部影像学检查是肺癌检测的常用手段。通过患者的胸片、骨扫描、CT检查、MRI检查等技术手段可以较为清晰地观察患者的肺部整体信息与病灶区域信息。不同的肺部阳性结节点往往具有相似的形态、密度等特征,这些相似的特征是医生进行肺癌诊断的重要依据。如何从患者的多张肺部图片中准确找出结节点的位置、对结节恶化程度进行评估成为计算机辅助诊断肺癌的关键技术。传统基于深度学习的分类网络在检测肺部医学图像时往往采用二维卷积核,忽略了该患者肺部图像在前后多帧空间上的相关信息,造成肺部结节点空间特征提取不完全,降低了检测精度。针对拥有二维卷积核的深度学习检测算法存在的问题与缺陷,本文改良了C3D1.1神经网络算法,使其能通过三维卷积核较为完整的提取出肺部结节点的空间特征,进而提高结节点检测与分类的精度。该算法网络的输入数据由单张患者肺部图像改为多张空间相邻的图像同时输入,每次取固定的分割窗口大小,根据不同方向上移动预设步长,对输入的多张图像进行多次剪裁。将单个病患输入的多张图像转变为多个固定大小的二维序列待卷积图像,并将其作为网络的输入,再根据已经训练好的深度学习网络计算出结果,判断输入的二维序列图像中是否存在结节点与结节点位置,实现端到端的分类过程。并且由于是多张图像同时输入,该算法减少了患者的肺部图像串行执行的运算时间,提高了运算速度。本文同时采用了肺部阈值分割等预处理方法,有效的减少了非肺部组织对检测结果的干扰。同时结合不同尺度下的运算结果,使网络对于不同大小的结节点具有很好的检测效果。本文采用了大量公开肺癌结节数据集对网络进行了离线训练,训练集共包括885个患者的肺部CT图像序列,55万个已标记的肺部坐标。这些坐标中包含肺癌阳性结节点位置1180个。该网络使用了大量患者的离线肺部图像对神经网络进行了训练,使训练出的网络具有很强的泛化能力,对测试集拥有很好的分类效果。本文与其他2组不同的神经网络算法进行对照,计算结果表明本文算法具有较高的分类检测准确性。