根据世界卫生组织发布的《2018年全球癌症统计》,肺癌的患病率和死亡率均位居各类癌症之首,严重影响了人类的身体健康。临床研究表明,如果在肺癌早期得到及时治疗,肺癌患者五年生存率达80%以上。因此,肺癌的早期筛查对于提高患者生存率具有重要意义。临床诊断中,医生需要对肺结节的位置和良恶性进行准确诊断。现有的医学影像辅助诊断方法有胸部X射线片、计算机断层扫描成像、正电子发射计算机断层显像、磁共振成像等。由于CT技术分辨率高、价格低廉等优点,医生通常利用CT影像技术对患者进行诊断。但是近年来随着肺癌患者急剧增加,加重了影像学医师的工作负担。随着深度学习和计算机技术的发展,利用人工智能辅助医生进行诊断成为了可能。本文通过分析现有肺结节检测和良恶性分类的不足,提出了基于多尺度融合卷积神经网络的肺结节检测和基于全卷积神经网络的肺结节良恶性分类。其主要研究内容如下:(1)本文提出了基于多尺度融合卷积神经网络的肺结节检测算法。由于CT图像中小型肺结节与血管在形状、大小和灰度方面极为相似,在临床诊断中很容易导致误判和漏判。针对此问题,本文首先构建了多尺度卷积神经网络,得到肺结节的形状特征和纹理特征。在此基础上,为了提高小型结节的检测,将形状特征与纹理特征进行融合,得到多尺度融合特征图,并利用融合特征图对小结节进行检测。除此之外,利用多尺度特征图实现了将其他大小的肺结节进行检测。通过与现有的肺结节检测算法进行对比,本文提出的方法召回率为96.8%,相对于现有方法提高了4.94%。(2)提出了基于全卷积神经网络的肺结节良恶性分类算法。传统的卷积神经网络由卷积层、激活函数、池化层、全连接层构成。在对肺结节进行良恶性分类时,池化层会导致大量信息丢失,全连接层会使得神经网络参数冗余。传统神经网络的这两个问题影响了肺结节良恶性的分类性能,因此,本文针对池化层的问题,利用步长为2的卷积层代替池化层。为了减少全连接层的参数冗余,构建全局均值池化层代替全连接层。通过实验,算法的精准率、召回率和AUC值分别达93%、92.7%和0.92。