近年来,肺癌一直是困扰我国乃至全世界的一大难题,其发病率和死亡率高,每年造成成千上万的患病者死亡。当前针对肺癌最有效的方法仍然是早期检查,早发现早治疗。肺癌早期的最明显的标志是肺结节,最主要的检测手段是计算机断层扫描(Computed Tomography,CT)。但是CT序列图像数据多,并且随着近几年的患者增多,CT图像数据日益增加,导致放射科医师的负担越来越重。由于肺结节较小难观察,且肺组织结构复杂,放射科医师难以保证长时间高强度地读片而不出错。这就迫切需要计算辅助诊断减轻医师的负担,提高检测的精度。随着近几年深度学习的快速发展,图像处理领域的算法迎来的巨大变化,并且在多个子领域的算法精度都进一步提高。本文结合深度学习算法,研究了肺实质分割和肺结节的检测算法,对比分析了算法的优劣势,并在算法上提出了相应的改进,增加了算法的精度,同时提高了算法速度。本文在肺实质分割结段,提出了寻找感兴趣区域的的方法对左右肺分离,加快了算法速度。在网络提特征阶段,针对肺结节大小不一的特征,提出了基于膨胀卷积的特征金字塔提取肺结节多尺度特征,提高模型的精度。在候选框生成阶段,改进了候选框的大小以符合本文的肺结节的尺度,并针对正负样本不平衡的状况,改进了损失函数,提高的检测的精度。此外利用三维卷积神经网络对最后的检测结果进行分类,剔除假阳性,同时提出了利用候选框生成网络生成三维图像块增强分类网络的泛化能力。本文结合实际肺结节CT数据,对算法的检测结果进行了对比验证,证明了算法的效果。本文提出了方法用较小的网络完成了整个检测流程,相对于大型的网络在实际应用速度更快,节约硬件成本,有着重要的工程应用价值。