肺癌是常见的呼吸系统恶性肿瘤疾病,初期易被患者忽视,确诊后通常到了中晚期,存活率较低。如果能在肿瘤的生长初期对患者进行有效检测和治疗,可大大提高患者的生存概率。肺结节检测是诊断肺癌的关键步骤,随着图像处理和人工智能技术的不断发展,深度学习在肺结节检测中已经取得了许多重要成果。但由于标注CT图像的专业性强,带标注的数据不足,而且肺结节大小各异且征象较为复杂,使得结节检测存在一定困难。同时由于小尺度输入的结节检测网络很难获取到大区域病灶的整体特征,从而会影响肺癌的识别。针对上述问题,本文在迁移学习基础上,提出了一种基于多尺度和特征融合的方法,利用该方法根据CT图像来预测病人在未来一年内患肺癌的概率。主要研究内容如下:首先,针对较小的单尺度输入网络很难获取到大区域病灶整体特征的问题,提出了一种多尺度输入的方法来检测肺结节。根据结节和肺肿块大小,采用三种不同尺度的图像块输入结节检测网络。小尺度输入时,网络注重肺部病灶的细节特征;大尺度输入时,网络可以抓住病灶的整体特征。为了保证多尺度特征的互补性,将网络提取的多个尺度的病灶特征组合后再识别。实验结果表明,所提方法提高了网络对肺部病灶整体特征的获取能力,提高了肺癌识别的精度。其次,由于网络末层提取的特征单一,不能充分描述病灶的详细特征,采用特征融合策略来识别肺癌。将深度神经网络提取的瓶颈层特征和输出层提取的特征融合来预测肺癌。实验结果表明,瓶颈层特征能更加充分地描述肺部病灶的详细特征,提高了肺癌识别的精度。最后,结合多尺度输入和特征融合,提出了一种基于多尺度和特征融合的肺癌识别方法,将三个尺度下融合后的特征再组合来预测肺癌。针对此方法,设计了两种多尺度的肺癌识别策略。在Kaggle Data Science Bowl 2017数据集上的实验结果表明,该方法降低了肺癌预测的损失值,提高了肺癌识别精度。