肺癌是众多癌症病症中患病率最多,致死率最高的一种。当前的肺癌早期诊断通常借助计算机断层扫描技术（Computed Tomography,CT）对肺部进行断层扫描并成像,然而在诊断过程中存在肺结节种类繁多、尺寸较小以及CT切片数量动辄几百张等问题,这使得肺结节的人工诊断有着既看重医生经验,又相当消耗人力物力的缺点。随着近年来人工智能计算机视觉算法的不断发展,计算机自主学习特征并进行判断的技术越发的成熟,人工智能辅助诊断已经成为了时下肺结节检测的一项热门技术。本文在上述的问题背景下,完成了基于深度学习的肺结节检测算法的研究。本文的研究内容主要包括以下两个部分:第一,针对肺结节检测算法中CT切片数量庞大,肺结节多为尺寸较小难以诊断的微小肺结节等问题,本文提出了一种全新的C-E数据增强算法。通过对肺部滑窗提取和小型肺结节的多重复制,在减少了背景噪声的同时提高了正样本的数量。在算法的数据层面增加了样本的多样性以及稳定性,很大程度上改善了微小肺结节的检测精度并提高了假阳性结节的抑制能力。第二,针对肺结节种类繁多,且存在与特征相似的血管、器官粘连、混淆的问题,本文在肺结节检测算法中提出了一种全新的卷积神经网络（Convolutional Neural Network,CNN）的多尺度结构,并结合全新的上下文语义模块CONTEXTn与卷积模块RDn进行特征提取与特征处理。首先,在神经网络的构造中使用特征金字塔的结构实现多层特征输出与重用;其次,通过使用不同个数的卷积模块串联后并联提升不同感受野信息的融合;最后,提出一种将多层密集链接与残差链接融合使用的新型神经网络模块,在减少参数量的同时提高了特征提取的效率以及准确性。本文通过改进网络的结构与模块在算法网络层面提高了结节的特征提取与特征利用能力。