人体肺部CT图像中肺气管树的分级对于辅助肺部疾病诊断有着非常重要的临床研究意义,而肺气管树关键分叉点的检测是肺气管树分级中的关键步骤。利用深度学习方法直接检测肺气管树的关键分叉点对肺气管树的分级具有研究意义,并对之后的辅助诊断肺部疾病具有非常重要的实际意义。针对人体肺部CT图像中肺气管树不同分叉点的检测难度不同,结合肺气管树的三维结构特点在残差网络ResNet基础上设计了一种适合肺气管树关键分叉点检测的并行残差网络模型Multiple-ResNet。Multiple-ResNet采用三个子网络F,L2,R3进行组合。网络F采用改进的三维ResNet50结构提取全局特征检测四个关键分叉点;网络L2和R3采用改进的三维ResNet34结构提取局部特征检测局部关键分叉点,对网络F的预测结果进行修正,提高四个分叉点的检测准确性。对LUNA16数据集中400个肺部CT图像进行手工标记肺气管树分叉点从而获得肺气管树分叉点数据集。考虑不同肺部CT图像中肺气管树位置,结构大小存在差异,提出了针对人体肺部CT图像中肺气管树分叉点检测的数据预处理方法。该预处理方法是根据对原始肺部CT图像提取的肺mask,对等方性处理后的原始图像截取出肺Bounding Box作为感兴趣区域从而减少肺部无用信息的影响;然后生成三个子网络的输入数据;最后对输入数据进行归一化处理来提升网络模型的收敛速度和性能。结合肺气管树分叉点的特点,设置适合网络模型学习分叉点数据特征的超参数来提升网络模型的训练效果。随机选择70个人体肺部CT图像对所实现的深度学习方法进行测试,并与传统算法,不同网络结构的深度学习方法的检测结果进行对比。实验结果证明,基于MultipleResNet网络模型的深度学习方法能够比较好的检测出肺气管树的四个关键分叉点。