统计表明,在中国各种癌症患者中,肺癌的发病率和致死率都是最高的。但是如果肺癌在早期能被诊断发现,并进行积极治疗,其五年存活率非常高,越晚发现,五年存活率越低。早期肺癌的临床表现为直径在3-20mm左右的肺结节,一般可采用CT成像进行检查。因此,对胸部CT图像中的肺结节进行检查具有重要的临床意义,可以提高国民健康水平。在实际临床检查中,医生需要审阅大量的临床影像,依赖于其经验水平和主观性,同时容易造成疲劳,从而会导致漏诊和误诊。随着计算机技术的发展,研究者提出了计算机辅助诊断（Computer Aided Diagnosis,CAD）,利用计算机实现不同的算法来实现肺结节的检测,以减轻医生阅片负担,降低医生的主观误差,提高诊断的准确度。目前的肺结节检测算法和检测系统中,使用深度学习的方法能取得较好的检测效果,但是仍然存在需要手动设置参数,检测精度需要进一步提高等问题。同时,大部分肺结节检测系统虽然能够完成肺结节检测,但是由于系统集成了很多其他功能,使得系统过于繁琐不易使用,且其成本较高。针对结节检测方法和检测系统存在的这些问题,本文进行了研究。根据临床应用要求,分析了肺结节检测的具体流程,以此为基础对结节检测系统进行了需求分析和功能设计,然后研究了基于深度学习的肺结节检测算法,最后对结节检测系统进行了实现和系统测试。对于肺结节的检测,首先使用U-net训练出一个肺实质分割模型,提取肺实质作为检测的预处理阶段。以N-Net网络框架作为基础,并结合编解码结构融合多尺度的特征信息,搭建肺结节的检测框架,即使用改进的N-Net方法进行肺结节检测。对于系统实现,从功能需求出发,设计出系统的总体框架和功能模块。使用Qt来搭建系统的交互界面,包括主显示界面、菜单栏、操作按键选项和图像显示窗口等。使用VTK工具包来实现Dicom和mhd等格式的医学图像的读取和显示,并使用VTK的函数来实现图像的交互功能,进而完成系统各项功能。在公共数据集Luna上进行多次测试,所设计的基于深度学习的CT图像肺结节检测系统,对硬件环境需求较小,能够自动快速地检测出肺结节,漏诊率和误诊率较低。