肺癌(lung cancer)是全球癌症类的主要杀手之一,肺结节作为肺癌的早期表现。利用计算机技术可将CT图像中包含的肺结节自动勾出,提醒医生重点查看,减少医生的工作量,使诊断工作智能化、全面化,能够有效改善诊断工作的准确率和效率。从CT图像中快速、精确地检测出肺结节及其征象,对实现肺癌的早期诊断具有重要的意义和研究价值。由于肺结节的形状多种多样,大小不一和分布不均等问题,有经验的医生也难以快速做出精确诊断。同时,每个病人都有成百张甚至上千张的CT图像,所以基于计算机技术的肺结节准确检测具有重要的应用价值并具有较强的挑战性。传统的基于图像分割方法的肺结节检测,需要的假设条件较多并且准确性较低,无法满足临床应用中肺结节检测任务的需求。本文根据不同的样本量使用不同的检测方法对CT图片进行肺结节检测,为肺结节检测提出了新的思路。在小样本下提出了基于Adaboost的肺结节检测算法,该方法以监督的方式进行学习,从原始CT图像提取人工标注的肺部结节图像块训练网络。针对人工标注的医学图像稀缺的问题,编写了让医生标注的GUI界面,让专业医生对包含肺结节的CT图片进行标注,搭建了基于Adaboost的肺结节检测网络,通过调整网络结构以及参数的设置选择了最优分类器。测试结果表明本文提出的方法可以快速准确检测出CT图片中包含的肺结节,同时该算法对椒盐噪声鲁棒。基于Adaboost的肺结节检测算法对小样本的检测准确度很好,但是对大样本的检测准确率低至30%以下,鉴于此,在大样本应用场景下提出了基于Faster-RCNN的肺结节检测算法。首先搭建深度学习的环境,然后设置数据接口让其与Faster-RCNN的网络接口匹配,其次搭建Faster-RCNN的单类分类网络以及参数,训练不同的特征提取模型(包括ZF和VGG模型),对不同的数据库进行测试,基于Faster-RCNN的肺结节检测方法准确度高。对本文提出的两种方法进行评估,从检测准确率,以及对噪声的鲁棒性方面对算法进行评估,将小样本和LIDC数据库用于测试基于Faster-RCNN的肺结节检测方法,对实验结果进行分析评估。本文提出的肺结节检测技术具有良好的理论价值和工程应用价值。