深度学习是人工智能领域的研究热点,基于深度卷积神经网络的目标检测是深度学习的一个重要分支,CT图像病灶检测是计算机辅助医疗的重要途径。肝脏局灶性病变由于其背景肝组织的复杂性、病灶的多样性等,给肝脏病灶检测带来了很大的挑战,因此如何提高病灶的检出率是肝脏CT图像病灶检测问题研究的一个重点及难点。本文首先基于影像科专业医生标注的肝脏病灶图片,生成训练与测试数据集,接着分析并搭建广义的Faster R-CNN。然后利用肝脏病灶CT图像数据的特性,并结合不同几何位置的病灶标注信息、合理的数据接口格式和训练与测试数据集划分方案,基于Faster R-CNN建立相应的肝脏病灶检测单分类和多分类初始模型。由于初始模型病灶检测效果不理想,因此通过对图像预处理方式、特征提取网络、损失函数中平衡参数取值及目标候选框正负样本比例等方面进行调优,特别的本文还利用K-均值聚类算法生成不同的标准框个数与尺寸并进行了调优,得到了优化后相应的单分类和多分类病灶检测模型。最后通过数值实验验证了所设计的肝脏病灶检测模型具有较高的平均精度和多病种的适用性。