肝脏是人体腹部最大的实体器官,其小病灶种类很多,肝病的发生率很高,严重威胁着人类的健康和生命。肝病的诊断与防治一直是中国当前临床治疗科研的重点。近年来,计算机断层扫描（Computed Tomography,CT）已成为诊断和治疗肝病使用最广泛的医学影像学方法。由于肝脏的大小随性别、年龄和身体形状而变化,并且小病灶与周围正常肝组织之间的边界不明确,此外,小病灶的大小、外观多样性和不均匀的密度都加大了肝脏中小病灶检测的难度。因此,对肝脏CT图像小病灶的检测算法的研究对指导临床诊断和治疗具有重要价值。本文对基于深度学习的肝脏CT图像小病灶自动检测算法进行了研究,主要研究内容如下:（1）由于现有的用于肝脏小病灶检测的数据集较少,在专业医生的指导下对肝脏CT图像的小病灶进行人工标注,进而构建了一个精确度较高的肝脏CT图像小病灶数据集用于模型的训练和评估。（2）针对目前主流检测模型对小病灶检测效果较差的问题,本文提出一种基于改进Faster R-CNN的肝脏CT图像小病灶检测算法。采用了基于Res Net101和特征金字塔网络（Feature Pyramid Networks,FPN）的网络架构实现了对肝脏CT图像的特征提取,将高层的语义信息融入到底层网络的特征信息中;在RPN（Region Proposal Network）中基于NWD（Normalized Guassian Wasserstein Distance）度量指标对标签进行分配;并在特征映射层中使用Ro I Align,有效降低特征映射产生的偏差。本文基于Faster R-CNN,使用了不同的改进策略进行对比实验。实验结果表明,经过改进的Faster RCNN算法对肝脏CT图像中小病灶的检测精确度有了很大程度的提高。（3）为了提高肝脏CT图像小病灶检测模型的检测速度,本文在前面工作的基础上改进了RPN网络,使用双阈值分割法以及Marr-Hildreth边缘检测算法提取的肝脏CT图像小病灶轮廓对应的框作为预选框,并计算预选框的得分,选取得分高的预选框的中心点作为anchor,让RPN网络有针对性的生成anchor boxes,有效缓解了正负样本不均衡的问题,大大降低了模型训练的时间和计算成本。最后,本文与主流的目标检测模型进行对比实验,证实了基于改进RPN的检测算法不仅在精确度上高于主流的目标检测模型,在检测速度上也有了很大的提升。因此,本文提出的基于深度学习的肝脏CT图像小病灶自动检测算法对肝病的诊断和治疗具有一定的应用价值。