目前,肺癌的发病率和致死率高居癌症首位,对其进行早期诊治对于提高患者的生存率和改善预后极其重要。肺结节是肺癌的早期表现,临床上医生通过观察胸部CT影像中肺结节的特征来进行肺癌的早期筛查。然而巨大的CT影像数据及肺结节自身的特点给筛查工作带来了极大的挑战。深度学习技术通过对大量肺结节数据进行学习,能实现肺结节自动检测与分割,为医生的临床诊断提供参考。因此本文在肺结节检测与分割算法研究的基础上,设计并实现了一款基于深度学习的肺结节检测与分割系统,旨在提升医生工作效率,并避免诊断结果受到人为主观因素的影响。首先,介绍了肺结节检测与分割算法的国内外研究现状,主要有基于手动提取特征的传统方法和基于自动提取特征的深度学习方法。通过对比两者优劣,本文确定采用深度学习方法进行研究。其次,进行了肺结节检测算法研究。肺结节的早期筛查是有效预防肺癌的重要手段,由于肺结节在生长初期具有尺寸较小,检测困难的特点,本文结合肺结节的三维特性,提出了多尺度VNet网络来进行肺结节检测。利用LIDC-IDRI肺结节数据集以及临床数据中的三维肺结节图像对网络性能进行评估,结果表明,多尺度VNet具有较好的肺结节检测性能,基本满足临床肺结节检测,可作为系统的肺结节检测算法。然后,实现了肺结节分割算法研究。针对检测出的肺结节,本文提出了Dense-UNet网络用于肺结节的轮廓分割。利用LIDC-IDRI肺结节数据集以及临床数据中的二维肺结节图像对网络性能进行评估,结果表明,Dense-UNet具有较好的肺结节分割性能,基本满足临床肺结节分割,可作为系统的肺结节分割算法。最后,本文通过分析胸部CT影像检测与诊断的需求,完成了对肺结节检测与分割系统整体框架的设计,并对系统的功能模块,如基础功能模块、肺结节检测与分割算法模块、诊断信息管理模块进行开发。该系统能实现用户登录、图片浏览、数据预处理、肺结节检测与分割、诊断信息管理等功能。完成系统开发后,对其进行了软件功能测试和性能测试,测试结果表明,该系统的各项功能及性能基本满足设计需求,对于临床肺结节检测与分割具有一定的应用价值。