肺结节分类和识别是肺部肿瘤计算机辅助检测系统的关键技术环节。为了提高肺结节分类识别的准确率和敏感性,并降低肺结节识别的假阳性率,本文在对肺结节分类和识别技术研究现状综述的基础上,深入研究了样本扩展和预处理算法、卷积核构造对网络性能的影响和卷积神经网络结构设计,用于基于深度学习的肺结节分类。本课题的主要研究工作包括以下几个方面:(1)提出了一种基于多尺度分析的样本预处理方法。该方法结合了高频滤波和小波变换,将经过多通道样本提取算法获得的扩展样本,分别在时域和频域进行降噪处理,通过不同尺度小波分解作用,保持样本中的有效信息,提高后续网络模型训练质量。(2)研究了深度学习网络模型中卷积核尺度构造方法,在不同的网络模型中,不同卷积核的尺度对训练模型效果有很大的影响,在分析卷积核尺度与模型作用效果关系的基础上,确定了网络模型中卷积核尺度设定规律,提高分类网络模型的调整和构造效率。(3)使用LIDC-IDRI数据集,在对卷积神经网络卷积层和池化层相互影响规律进行了研究,在尝试了多种卷积层和池化层的不同搭配后,通过大量的实验,对网络结构中不同卷积层核池化层的设置效果进行了分析,确定了二者间的作用关系,可用于快速调整网络结构。采用上述研究成果,对LUNA16训练数据进行了预处理,并构建了卷积神经网络,对多尺度预处理后的影像进行了训练,所生成的网络模型可有效检测LUNA16测试集中的肺结节,准确率达到89.6%。