肺癌是当今世界最常见的癌症杀手之一,对人类健康威胁极大。肺结节是肺癌的早期表现形式,准确地筛查肺结节对肺癌防治有着重要的积极意义。目前对肺结节的筛查主要借助于电子计算机断层扫描技术(CT)。医生通过肉眼观察CT影像筛查肺结节十分费时耗力且容易发生漏检。引入肺结节检测的计算机辅助诊断系统,能够有效地提升肺结节检测的效率并降低漏检率。传统的肺结节检测方法检测过程复杂,肺结节特征提取繁琐,自动化程度低且检测效果一般。近年来深度学习发展十分迅速,卷积神经网络在计算机视觉领域大放异彩,这也给肺结节检测问题带来了新的研究方向。本文的研究目标是基于卷积神经网络等相关方法,实现自动化的肺实质分割和肺结节检测,并尽可能地提升肺结节的检测的精度。本文首先提出了一种基于改进U-Net的肺实质分割方法,将残差网络中的shortcut操作引入U-Net网络结构并加深了整体网络的深度,文中详细地阐述了对U-Net网络结构的改进过程和改进后的网络细节。与此同时为了提升网络对肺实质边缘的分割效果,本文还在肺实质分割损失函数中新设计了一种边界惩罚项。其次本文对当前主流目标检测算法的优劣势进行了评估,经过分析对比后选择了Faster RCNN作为肺结节检测的主要算法。另外本文对Faster RCNN的主干网络进行了改进,使用两种不同规模的残差特征提取网络取代了Faster RCNN源码中的VGG-16特征提取网络。最后通过K-means聚类分析算法,在训练集上搜索合适的anchor参数使得该目标检测算法能够更适应于检测肺结节这种小目标。通过实验证明,本文提出的肺实质分割方法和肺结节检测方法同时具有较高的精度和效率。