基于CT影像的肺结节自动检测对于肺癌的早发现、早治疗,进而挽救患病者的生命具有重要意义。早期的肺结节自动检测方法或基于规则系统或基于手工特征训练机器学习分类算法,虽已取得了不少成果,但对于肺结节自动检测这样一个目标形态、尺寸变化大、上下文特性不一,且背景中存在有大量区域与结节外观相似的任务,这两类方法不仅性能受限,而且通用性不足。近年来,随着数据量的增长及硬件计算能力的提高,深度学习的发展为诸多研究领域带来了突破性的进展,其一大优势正是可以自动从大量数据中学习到最优于特定任务的特征,既无需手工设计特征的繁琐,又可让学到的特征具有更强的判别能力及通用性,因此目前有越来越多的研究者开始投身到将深度学习与肺结节自动检测相结合的研究中。这些研究虽已初步验证了深度学习的有效性,但为了更好地将深度学习应用于肺结节自动检测中,还须面临不少问题及挑战,如有标数据量不足的问题、类别不均衡的问题以及计算资源消耗大的问题等。针对这些问题,本文以设计一套简洁、有效的肺结节自动检测方法为出发点,从数据准备、模型结构设计、优化机制改进及损失函数设计四个方面提出了相应的应对策略。这些策略均取得了一定的效果,最终整体模型在国际公开的肺结节检测数据集Lung Nodule Analysis 2016(LUNA 16)上评测的性能指标达到0.899,对单幅CT影像的平均处理时间约为12秒。另外与其他在该数据集上评测的方法相比,本文方法在性能、实现工程量以及检测效率的综合考量上具有一定的比较优势。而对于临床实践中放射科医生较为关心的在平均每幅CT影像的假阳性数为1、2、4时对肺结节的检测敏感度,本文方法可分别达到0.916、0.948、0.972,具有一定的可投入临床实践应用的潜力。