肺癌目前是世界范围内患病率及死亡率最高的恶性肿瘤之一,早期肺癌的主要表现形式为肺结节,提高肺癌病人治愈率和生存期最好的方法就是早期检测,及时确诊。随着计算机断层扫描(CT)技术的不断发展,特别是螺旋成像技术的应用,一位测试者的扫描图像数量已经达到了400~500张。虽然更多层的肺部切片扫描图像能够提高肺结节的检出率,减少小结节的漏检,但是对大量CT图像的检阅可能造成放射科医生的主观误诊,这导致了后期治疗成本的增加。为了能够降低结节的误检和漏检,计算机辅助诊断(CAD)系统被应用于肺结节检测来帮助放射科医生进行诊断。在计算机辅助诊断系统中的两个关键技术分别是肺实质分割和肺结节检测。在医学领域,CT图像具有超高的分辨率所以能够清晰地观察到身体的各个器官。但是由于CT图像为灰阶图像,因此还具有组织边缘之间灰度模糊难以区分的特点,以及测试者、测试方式和测试环境等因素造成的样本间差异较大,噪声和伪影影响等特点。这些都造成辅助诊断系统中算法的泛化困难和精度难以提升。且结节为非正常组织,其特征复杂多变,对其进行检测往往需要设计更加复杂的算法。本文根据胸部CT图像特点和肺结节的医学影像表现,针对肺实质分割和肺结节检测分别进行了实验研究。本文的主要工作包括:(1)利用卷积神经网络对肺实质进行提取。本文采用Mask-RCNN模型进行训练学习和测试,验证了利用深度学习方法能够实际应用在肺实质分割任务上。并通过与基于凸包算法的肺实质分割方法,基于模糊建模思想和迭代模糊连接度算法的肺实质分割方法对比分析,验证了深度学习方法较传统算法的优势是具有更快的分割速度,且具有更好的鲁棒性与更大的提升空间。(2)利用卷积神经网络对肺结节检测。由于肺结节的表现形式多样,因此传统算法往往基于特定形态特征的肺结节进行检测,如孤立性结节,毛玻璃状结节等。传统算法对结节的检测难以泛化,且对于较大病变往往会直接误检,因此本文使用深度学习模型对肺结节的特征进行提取。本文使用R-FCN模型对肺结节进行检测,通过R-FCN的位置敏感特征图(position-sensitive score maps)表达结节的位置信息提升结节检测的精度。并通过与其它网络模型进行对比,实验结果表明本文使用的模型在肺结节检测任务中具有更好的效果。本文以常规医学影像图片进行研究,并完成了肺实质分割和肺结节检测任务,在实际应用中具有良好的理论价值和工程应用价值。