肺癌是一种常见的恶性呼吸道感染,长年高居癌症死亡率第一名,也是目前发病率增长最快的恶性肿瘤。早期诊断是有效降低肺癌死亡率地唯一途径,因此,有效和准确地在CT图像中发现警示肺癌早期的肺部结节显得尤为重要。然而,海量医学影像数据和形态各异的肺结节,给影像医生的读片带来了不小负担,往往会出现假阳性样本或者造成漏检的情况。此外,磨玻璃肺结节与实性结节相比具有更高的恶性转化率。然而,磨玻璃肺结节体积较小,特征不明显,在CT图像中表现模糊,与肺实质背景比较相近的,使得人工筛查磨玻璃肺结节更加困难。因此,肺结节的自动检测识别可以协助医生削减读片的时间成本,减少漏诊,提高诊断效率以及客观性和准确性。近些年随着深度学习在图像领域的发展,人工智能在图像分割,目标检测领域有了更多的应用,将深度学习应用于医学图像检测越来越成为一种趋势。本文针对肺结节尤其是磨玻璃型肺结节的自动检测问题,基于深度学习的理论方法,研究采用目标检测方法,设计不同维度的智能检测模型,尝试对肺结节智能检测与分类。工作内容包括如下几点:1)首先,基于公开的肺结节检测数据集Lung Nodule Analysis 2016（LUNA 16）,本文针对肺结节的自动检测问题,探索不同维度的深度学习模型,搭建相应的图像分割与目标检测的智能模型。我们尝试在检测模型Faster R-CNN中,选取了适合匹配不同结节的参考框（anchor）来匹配局部结节特征,同时采用Focal分类损失函数来平衡比例失调的背景样本与肺结节样本。研究表明使用三维深度学习模型具有更好检测性能。其中,使用三维分割模型在测试集中可以实现85%的肺结节检出率,而使用三维目标检测模型肺结节检出率可达93%。此外,通过统计肺结节检出率FROC曲线,三维目标检测模型的Competition Performance Metric Score（CPM分数）为0.769。实验证明深度学习目标检测模型在三维CT数据中检测肺结节具有较好性能,为磨玻璃自动检测提供探索方向,也为其提供了相应的预训练模型。2)其次,基于磨玻璃肺结节结构先验知识,本文根据Mask R-CNN模型搭建不同维度的目标检测模型,尝试研究磨玻璃型肺结节智能检测识别。在训练过程中,我们尝试对Focal分类损失函数的正负样本比例权重值和回归损失函数的分界值进行动态调整,以获得高精度样本。同时,本文采用公开LUNA数据集预训练相应的目标检测模型以提升其泛化性能。此外,我们还训练过程中使用基于Io U的回归损失函数,加快了模型的收敛速度。在测试过程中,本文采取多次扫描滑动窗口测试以及对同一个数据的不同测试结果带有权重的融合方式,以提高模型的检测性能。研究表明在江苏省人民医院采集的三维CT数据中,三维目标检测模型的磨玻璃结节综合检测率可达90%。研究结果证明,本文提出的三维目标检测模型能够有效完成复杂的磨玻璃肺结节检测,有助于协助医生提高诊断效率。3)最后,本文为了进一步降低肺结节中检测中出现的各种假阳性结节,尝试研究搭建了相应分类网络去分析处理检测中假阳性样本。此外,从磨玻璃数据集的先验信息出发,研究利用迁移学习和3D ResNet网络探索对磨玻璃结节进行细分领域亚类分类。其中,去假阳性网络可以使磨玻璃结节的模型测试的假阳性减少50%以上,结合3D检测网络,综合检出的CPM分数达到0.778;磨玻璃三分类网络可以较好的实现对部分实性的磨玻璃结节类的识别,进而便于医生更高效提高诊断效率和准确性。